31、基于一致性正则化解耦对比学习的半监督域自适应医学图像分割

基于一致性正则化解耦对比学习的半监督域自适应医学图像分割

1 引言

深度学习模型在源域训练后，在新的目标域上泛化时面临挑战，尤其是图像分割任务，需要密集的像素级预测。这主要是由于源域和目标域之间存在较大的语义差距。无监督域自适应（UDA）方法旨在缩小这一差距，但由于缺乏目标域的监督以及源域和目标域在风格和内容信息上的巨大差异，其性能往往不尽如人意。此外，当图像的内容信息与特定领域的风格信息纠缠在一起时，传统的UDA方法难以学习到与领域无关的内容的正确表示。

相比之下，半监督域自适应（SSDA）通过获取少量目标样本的标注，能够提供关键的目标域知识，从而显著提高性能。近年来，一些SSDA方法被提出，但它们存在一些不足，例如强迫模型学习对当前任务不重要的低级干扰变异性，导致在训练集中缺乏相似变分语义时无法泛化。

为了解决这些问题，本文提出了一种新颖的对比学习方法，通过解耦风格和内容信息，并结合像素级一致性约束，用于半监督域自适应医学图像分割。该方法不仅可以在SSDA设置下取得优异的性能，还可以轻松扩展到UDA设置。

2 提出的方法

2.1 高斯傅里叶域自适应（GFDA）

传统的傅里叶域自适应（FDA）方法通过操纵频域的低水平幅度谱来实现域间风格转移，但生成的图像可能包含不连贯的暗斑。为了解决这个问题，本文提出了高斯FDA，使用高斯掩码实现更平滑的频率过渡。

给定两个随机采样的图像 $x_s \sim S$ 和 $x_t \sim T$，GFDA可以表示为：
[x_{s \to t} = F^{-1}[F_P(x_s), F_A(x_t) \odot g_{\sigma} + F_A(x_s