医疗科研新突破 | 菁易科研解读：半监督域泛化医学图像分割新框架

Collaborative Learning of Augmentation and Disentanglement for Semi-Supervised Domain Generalized Medical Image Segmentation.

研究背景

半监督域泛化（SSDG）面临标签稀缺和域偏移问题，现有方法存在忽视域偏移差异及标签稀缺与域偏移相互作用的局限。本文将SSDG分解为无监督域适应（UDA）和域泛化（DG）问题，提出因果增强和解耦框架（CausalAD）用于医学图像分割任务。

方法速览

CausalAD框架包含增强和解耦合两个协同模块。增强过程通过风格混合生成风格扰动图像缓解域内偏移；解耦合过程用变分推断解耦合噪声、风格和内容特征缓解跨域偏移。还引入ProSPT策略选择高质量伪标签。

主要发现

1. 解耦合提高跨域性能：解耦合噪声、风格和内容特征，有效缓解跨域偏移，在跨序列、跨站点和跨模态SSDG设置下表现优于现有方法。如跨模态任务中，5%标注数据下DSC值显著提升。
2. 增强缓解域内偏移：通过风格增强生成新样本，扩展训练集边界，提高模型鲁棒性和伪标签质量。如跨序列任务中，5%标注数据下DSC值高于其他方法。
3. 协同学习增强泛化能力：增强与解耦合过程协同，增强过程助力解耦合分离特征，解耦合特征指导增强生成高质量图像，使模型在各SSDG任务中表现出色。
4. 高质量伪标签保证训练有效性：ProSPT策略确保使用高质量伪标签，提高模型整体性能。如跨站点任务中，5%标注数据下DSC值高于其他方法。

总结展望

CausalAD框架创新性地将SSDG分解为UDA和DG问题，通过协同学习和高质量伪标签提高模型泛化能力。但研究存在局限，未来可探索更复杂域偏移、采用更有效数据增强方法及关注更具挑战性任务。