[Paper] 使用 Target-Only Margin Disparity Discrepancy 的无监督领域适应
发布: (2026年3月11日 GMT+8 01:27)
7 分钟阅读
原文: arXiv
Source: arXiv - 2603.09932v1
Overview
本文解决了医学影像中的一个非常实际的问题：在仅有少量标注的 CT 图像可用的情况下，如何在介入式锥形束 CT（Cone‑Beam CT，CBCT）扫描上获得准确的肝脏分割。作者将 CBCT 视为未标记的目标域，并利用大规模、完整标注的 CT 数据集作为源域，提出了一种全新的无监督域自适应（UDA）技术，使深度分割模型的性能远超以往的水平。
关键贡献
- Target‑only Margin Disparity Discrepancy (MDD‑T)：对经典的 Margin Disparity Discrepancy 损失进行重新表述，仅依赖目标域的预测，简化了优化并提升了稳定性。
- 端到端 UDA 肝脏分割流水线，将标准的编码器‑解码器网络与 MDD‑T 正则化器相结合，无需目标域标签。
- 广泛的实证验证，在专有的介入性 CBCT 数据集和公开的 CT 肝脏分割基准上进行，展示了在纯 UDA 和少样本（1–5 张标注的 CBCT 扫描）场景下的最新水平成果。
- 少样本协同演示：同一框架可无缝融合少量标注的 CBCT 切片，进一步提升性能且无需重新设计。
方法论
- 基础分割模型 – 传统的 3‑D U‑Net（或类似的编码‑解码器），在源 CT 数据上使用标准 Dice 损失进行训练。
- 域差异项 – 作者提出 MDD‑T，它仅在目标样本上测量最有信心的类别与第二有信心的类别之间的 margin，取代需要源和目标预测的原始 MDD。直观上，它鼓励模型在 CBCT 图像上产生 高置信度、良好分离的预测，即使没有提供真实掩码。
- 对抗式优化 – 训练在以下两步之间交替进行：
- 特征提取器更新：在 CT 上最小化分割损失，并在 CBCT 上最小化 MDD‑T 损失，使目标特征向产生高置信度的决策边界靠拢。
- Margin 最大化器更新：一个小的辅助网络尝试在 CBCT 上 增大 margin，充当类似 “判别器” 的角色，推动特征提取器产生更清晰的类别分离。
- 少样本扩展 – 当有少量标记的 CBCT 切片可用时，会为这些样本加入一个微小的 Dice 项，使模型能够直接在目标域上微调。
整个流水线采用标准随机梯度下降端到端训练，仅需原始 CBCT 体积（除典型的强度裁剪外无需其他预处理）。
结果与发现
| 设置 | Dice (CT → CBCT) | 相对于基线的相对提升 |
|---|---|---|
| 纯 UDA（无 CBCT 标签） | 0.86 | 比仅使用源数据的模型提升 12 % |
| 1‑shot CBCT（一个标记体积） | 0.89 | 比纯 UDA 提升 4 % |
| 5‑shot CBCT | 0.91 | 比 1‑shot 提升 2 % |
| 竞争性 UDA 方法（MMD、DANN、原始 MDD） | 0.78 – 0.84 | – |
- MDD‑T 损失收敛更快，对超参数调优的敏感性也低于原始 MDD。
- 目视检查显示，在预测的肝脏掩模中，CBCT 特有的伪影（如条纹、视野受限截断）显著减少。
- 消融实验证实，去除 margin 项后 Dice 降回约 0.78，凸显其核心作用。
实际意义
- 在介入手术室中的快速部署 – 医院现在可以在公开的 CT 数据集上训练肝脏分割模型，并将其适配到自有的 CBCT 扫描仪，而无需昂贵的人工标注工作。
- 改进的导航与剂量规划 – 精准的实时肝脏掩模能够在微创手术中提供更好的导管放置、病灶定位以及辐射剂量计算指导。
- 通用框架 – 仅目标的 MDD 公式可以嵌入任何分割主干网络（例如 nnU‑Net、Transformers），并可用于其他模态间的差距（MRI ↔ CT，超声 ↔ CT）。
- 成本效益高的少样本扩展 – 仅获取少量标注的 CBCT 体积即可实现接近最优的性能，显著降低小型诊所或研究实验室的使用门槛。
限制与未来工作
- 数据集特异性 – 实验使用了单一供应商的专有 CBCT 数据集；跨供应商的鲁棒性仍有待验证。
- 3‑D 内存占用 – 使用 MDD‑T 训练完整的 3‑D U‑Net 对 GPU 需求较高；未来工作可以探索基于块（patch）或混合精度的策略。
- 肝脏之外的扩展 – 虽然肝脏分割是一个坚实的概念验证，但将该方法适配到更复杂的多器官或肿瘤分割任务可能需要额外的正则化手段。
- 理论分析 – 本文提供了 MDD‑T 的经验性论证，但对为何仅使用目标边缘的 margin 能取得如此优异效果的更深层理论理解将进一步强化该贡献。
总体而言，所提出的仅目标边缘的 Margin Disparity Discrepancy（MDD‑T）提供了一条务实且高影响力的路径，能够以最小的标注开销将最先进的深度分割技术引入介入放射学工作流。
作者
- Gauthier Miralles
- Loïc Le Folgoc
- Vincent Jugnon
- Pietro Gori
Paper Information
- arXiv ID: 2603.09932v1
- Categories: cs.CV
- Published: 2026年3月10日
- PDF: 下载 PDF