基于无监督域适应的语义分割用于CTPA图像中的肺栓塞检测
图像与视频处理
2026-02-24 v1 计算机视觉与模式识别
摘要
尽管深度学习在肺栓塞（Pulmonary Embolism, PE）的计算机辅助诊断中展现出巨大潜力，但实际部署于 computed tomography pulmonary angiogram (CTPA) 图像时，常受到“域漂移”和专家标注成本高昂的限制。为此提出一种无监督域适应（UDA）框架，采用 Transformer 骨干网络和 Mean-Teacher 架构进行跨中心语义分割。主要聚焦于通过学习特征空间中的深层结构信息来增强伪标签可靠性。具体设计集成三个模块：（1）Prototype Alignment（原型对齐）机制以减少类别层次分布差异；（2）Global and Local Contrastive Learning（全局与局部对比学习）以捕获像素级拓扑关系和全局语义表征；（3）Attention-based Auxiliary Local Prediction（基于注意力的辅助局部预测）模块旨在通过自动从 Transformer 注意力图中提取高信息切片，增强对小型 PE 病灶的敏感性。在跨中心数据集（FUMPE 和 CAD-PE）上的实验验证表明效果显著。FUMPE → CAD-PE 任务中，IoU 从 0.1152 提升至 0.4153；CAD-PE → FUMPE 任务中，IoU 从 0.1705 提升至 0.4302。此外，所提方法在 MMWHS 数据集上实现 69.9% 的 Dice 分数，完成 CT → MRI 跨模态任务，期间未使用目标域标签进行模型选取，验证了其在多样临床环境中的鲁棒性与可泛化性。
引用
@article{arxiv.2602.19891,
title = {Using Unsupervised Domain Adaptation Semantic Segmentation for Pulmonary Embolism Detection in Computed Tomography Pulmonary Angiogram (CTPA) Images},
author = {Wen-Liang Lin and Yun-Chien Cheng},
journal= {arXiv preprint arXiv:2602.19891},
year = {2026}
}