医学图像分割是精准医疗的关键处理步骤，但不同医疗设备和成像条件下的图像分布差异给图像分割带来了巨大挑战，虽然有监督的域自适应方法可以缓解模型在目标域上的性能损失，但是在医学图像领域获取高质量且准确的标注信息通常是昂贵、耗时和繁琐的过程。

为了克服有监督域自适应方法所面临的标注信息缺乏或获取标签困难的问题，无监督域自适应方法因不依赖于目标域的标注信息而被广泛关注，但是主流基于生成对抗网络（GAN）的无监督域自适应（UDA）方法存在稳定性差和变换后图像分布偏差的问题。

近日，中国科学院深圳先进技术研究院科学仪器所（集群）（筹）秦文健研究员课题组在医学影像期刊Medical Image Analysis上发表了题为“Dual domain distribution disruption with semantics preservation: Unsupervised domain adaptation for medical image segmentation”的文章。

文章上线截图

为了解决这些问题，本研究提出了一种全新的双域分布多变-语义约束的三维方法（DDSP），通过结合双域分布干扰与语义保持策略，显著提升了模型在不同成像条件下的泛化能力，且无需目标域的标注数据。除此之外，本研究还引入了基于域不变结构先验信息的特征对齐模块，促进双域共享参数的分割器在目标域特征上的性能。

DDSP的两大优势

为了验证DDSP框架的有效性，研究团队在三个公开的医学图像数据集上进行了广泛的实验，包括心脏、大脑和前列腺图像分割任务。这些数据集涵盖了不同成像模式和采集站点，提供了丰富的跨领域图像样本。

DDSP与其他方法在MMWHS17数据集上的性能比较

实验结果表明，DDSP在多个评价指标上均超越了现有的最先进方法，并且与全监督模型相比也展现出了较小的性能差距。尤其是在MMWHS17数据集上，DDSP在双向跨模态心脏子结构分割任务上平均Dice分别达到了0.890和0.819。同时，为了验证所提出特征对齐模块的有效性，研究人员还展示了加入模块前后，模型所提取的源域特征和目标域特征在内容凸显上的对齐程度。

加入特征对齐模块前后，目标域特征凸显内容的变化

该工作在减少人工标注成本的同时，有效提高了跨医院和设备间的图像分析的一致性，该技术方法有望为跨模态、跨区域医学图像高效标注提供全新的解决方案思路。

深圳先进院硕士研究生郑博匀为第一作者，秦文健研究员为主要通讯作者。秦文健团队多年来一直致力于医学图像智能分析及基于人工智能新诊疗方法的研究和转化工作。该文章也得到了国家自然科学基金项目、中国科学院青促会会员和江西省介入治疗临床医学研究中心项目的支持。