面向医学图像分割的统一且语义驱动的域适应方法

大多数先前的无监督域适应方法在医学图像分割中，要么狭隘地针对源域可访问的设置（通过源域-目标域对齐进行适应），要么针对无源域设置（通常采用伪标签和网络蒸馏等隐式适应机制）。这两种设置在方法设计上的显著差异揭示了一个内在缺陷：缺乏一种显式的、结构化的解剖学知识构建，使其能够自然地跨域和跨设置泛化。为了弥合这一长期存在的鸿沟，我们引入了一个统一的、语义驱动的框架，该框架同时支持源域可访问和无源域适应。与所有先前工作根本不同的是，我们框架的适应性是模型架构的直接结果，无需依赖显式的跨域对齐策略。具体来说，我们的模型学习了一个领域无关的概率流形，作为解剖学规律的全局空间，这类似于人类建立视觉理解的方式。因此，每幅图像中的结构内容可以被解释为从该流形中检索到的标准解剖结构，以及一个捕捉个体特定几何形状的空间变换。这种解耦的、可解释的公式化表示，使得语义上有意义的预测具有内在的适应性。在具有挑战性的心脏和腹部数据集上的大量实验表明，我们的框架在两种设置下均取得了最先进的结果，且源域不可访问时的性能非常接近其源域可访问时的对应性能，这种一致性在先前工作中很少观察到。这些结果为医学影像中解剖学驱动的、可解释的、统一的域适应解决方案提供了原则性基础。代码可在 https://github.com/wxdrizzle/remind 获取。