一种基于不确定性引导的分级自训练框架用于主动无源域适应在前列腺分割中
原文中文，约1700字，阅读约需4分钟。
📝
内容提要
本文提出了一种新颖的源域自由领域适应方法，旨在提高医学图像分割的准确性和多样性。通过不确定性伪标签引导和双向传输，实验证明该方法在多个数据集上显著提升了Dice系数，优于现有技术。
🔎
延伸解读
方法核心：不确定性引导与双向传输
该框架利用预训练像素分类器的权重作为源原型，通过最小化预期成本，以双向传输将目标特征与类原型对齐。同时，基于不确定性伪标签引导，筛选可靠预测进行自训练，并设计对比学习阶段，利用不可靠预测的像素来获得更紧凑的目标特征分布，从而提升模型在无源数据场景下的自适应能力。
性能提升：Dice系数显著提高
在多个数据集上的实验表明，该方法在三个任务中平均提高了5.54%、5.01%和6.89%的Dice系数，优于现有最先进的源自由域适应方法，甚至在一些设置下可与无监督域适应方法媲美。这验证了其在医学图像分割中处理域偏移的有效性。
应用场景与限制
该方法适用于仅有一个训练好的源分割模型和无标签目标数据、无法访问源数据的隐私敏感场景。然而，其性能依赖于源模型的质量和伪标签的可靠性，在域差异极大时可能仍面临挑战。未来可探索更鲁棒的不确定性估计和更高效的训练策略。
❓
Q&A
这种新方法如何提高医学图像分割的准确性？
该方法通过不确定性伪标签引导和双向传输来优化自适应性，从而提高医学图像分割的准确性和多样性。
在实验中，该方法的Dice系数提高了多少？
在多个数据集上的实验表明，该方法在三个任务中平均提高了5.54%、5.01%和6.89%的Dice系数。
该方法是如何处理没有源数据的情况的？
该方法通过使用训练有素的源分割模型和无标签目标数据，解决了没有源数据时的领域适应问题。
不确定性伪标签在该方法中起什么作用？
不确定性伪标签用于引导模型优化，帮助获得可靠的伪标签，从而提升自适应性。
该方法与现有技术相比有什么优势？
该方法在大域差异设置下优于最先进的源自由领域适应方法，甚至一些无监督领域适应方法。
对比学习阶段的设计有什么意义？
对比学习阶段利用不可靠预测的像素来得到更紧凑的目标特征分布，进一步提升了模型性能。
🏷️
