无源域适应的医学图像分割方法：基于原型锚定特征对齐与对比学习

Source-Free Domain Adaptation for Medical Image Segmentation via Prototype-Anchored Feature Alignment and Contrastive Learning

摘要

无监督域适应（UDA）因其能够将从有标记的源域中学习到的知识迁移到无标记的目标域而备受关注。然而，典型的UDA方法需要同时访问源域和目标域的数据，这在源数据由于隐私问题而不可用的医学场景中受到很大限制。为了解决无源数据问题，我们提出了一种新颖的两阶段无源域适应（SFDA）框架，用于医学图像分割。在域适应过程中，只能使用经过良好训练的源分割模型和未标记的目标数据。

方法

1. 原型锚定特征对齐阶段

首先利用预训练的像素级分类器的权重作为源原型，这些原型保留了源特征的信息。
然后引入双向传输，通过最小化预期成本将目标特征与类原型对齐。

2. 对比学习阶段

在此基础上，进一步设计了对比学习阶段，以利用那些预测不可靠的像素，从而实现更紧凑的目标特征分布。
代码地址

方法