论文解读 | An Uncertainty-guided Tiered Self-training Framework for Active Source-free Domain Adaptation

论文标题：

An Uncertainty-guided Tiered Self-training Framework for Active Source-free Domain Adaptation in Prostate Segmentation

论文链接：

https://arxiv.org/pdf/2407.02893

代码链接：

https://github.com/HiLab-git/UGTST

---

摘要 

 本文提出了一种基于不确定性引导的分层自训练框架 ( Uncertainty-guided Tiered Self-training, UGTST)，旨在解决前列腺分割任务中的无监督源域适应 (Source-free Domain Adaptation, SFDA) 问题。尽管深度学习模型在前列腺分割中表现出色，但其在不同医疗中心之间的泛化能力仍面临挑战。SFDA技术能够在不访问源域数据的情况下，将深度分割模型适应到目标域，从而解决隐私和安全问题，并减少源域与目标域之间的域移问题。然而，由于域间隙的不可预测性，SFDA的性能往往不尽如人意。本文提出的方法通过少量目标域样