基于内容对齐的无监督域适应性髋鞘分割
计算机视觉与模式识别
2025-10-16 v1
摘要
深度学习模型在医学图像分割中常常在跨数据集部署时因域移移而困扰——这种移移包括已知的图像外观变化（称为风格）以及人口依赖的解剖特征variation，称为内容。本文提出了一种新颖的无监督域适应框架，直接解决从 MRI 中进行髋鞘分割过程中遇到的跨域移shift，特别强调内容variation。我们的方案结合通过 z-标准化实现的高效风格调和，以及双向可变形图像配准 (DIR) 策略。DIR 网络与分割和判别器网络联合训练，以区域感兴趣为导向，生成与目标域解剖上符合预期的变换，将源图像对齐到目标域。我们通过在使用 Morpho-MNIST（用于受控核心原理验证的合成数据集）以及三个表示不同程度萎缩人群的 MRI 髋鞘数据集进行全面评估来验证我们的方案。在所有实验中，我们的方法均优于现有基线。对于髋鞘分割，当从年轻健康人群转移到临床痴呆患者时，我们的框架相对于标准增强方法实现了最高可达 15% 的 Dice 分数提升，尤其在内容移shift 显著的情形下获得最大收益。这些结果凸显了我们方法在跨不同人群中实现准确髋鞘分割的有效性。
引用
@article{arxiv.2510.13075,
title = {Unsupervised Domain Adaptation via Content Alignment for Hippocampus Segmentation},
author = {Hoda Kalabizadeh and Ludovica Griffanti and Pak-Hei Yeung and Ana I. L. Namburete and Nicola K. Dinsdale and Konstantinos Kamnitsas},
journal= {arXiv preprint arXiv:2510.13075},
year = {2025}
}