基于变分近似的心脏分割无监督域自适应

无监督域自适应在医学图像分割中十分有用。特别是当目标图像的标注不可用之时，域自适应可利用来自其他模态的已有标注图像来训练特定于目标的模型。大多数已有工作将源域和目标域的图像映射到一个共同的潜在特征空间，随后通过对抗训练隐式地或借助直接最小化差异度量显式地减小其差异。本工作中，我们提出一种新框架，其中两域的潜在特征被驱动朝向一个共同的、参数化的变分形式，其在给定图像条件下的条件分布为高斯分布。这是通过基于变分自编码器（VAE）的两个网络以及针对该变分近似的正则化实现的。两个 VAE 各对应一个域，均含有分割模块，其中源域分割以有监督方式训练，而目标域分割以无监督方式训练。我们利用两项心脏分割任务验证了所提域自适应方法，即跨模态（CT 与 MR）全心脏分割与跨序列心脏 MR 分割。结果表明，与两种当前最优（state-of-the-art）方法相比，所提方法取得了更高的精度，并展现出良好的心脏分割潜力。此外，所提显式正则化被证明在缩小域间分布差距方面高效且有效，有益于无监督域自适应。我们的代码与数据已通过 https://zmiclab.github.io/projects.html 发布。