Unsupervised Domain Adaptation for Pediatric Brain Tumor Segmentation

目前已经取得了显著进展，建立了准确的成人胶质瘤自动分割模型。然而，这些模型在应用于儿童胶质瘤时性能通常会下降，因为它们在成像和临床方面存在差异（领域转移）。由于儿童胶质瘤的罕见性，通常很难获得足够的注释数据。此外，手动注释数据也很少且昂贵。在这项工作中，我们提出了一种称为Domain-Adapted nnU-Net（DA-nnUNet）的方法，可以从成人胶质瘤（源域）无监督地适应到儿童胶质瘤（目标域）。具体来说，我们将一个领域分类器与梯度反转层（GRL）连接到骨干nnU-Net上。一旦分类器达到非常高的准确性，就会激活GRL，目的是将领域不变特征从分类器传输到分割模型，同时保持源域上的分割准确性。分类器的准确性逐渐降低到随机水平。在目标域中不使用注释。该方法与使用BraTS-Adult胶质瘤（N=1251）和BraTS-PED胶质瘤数据（N=99）的8种不同监督模型进行比较。所提出的方法在肿瘤核心（TC）区域显示出显着的性能提升，与仅使用成人数据的模型相比，Dice得分提高了约32％，95th percentile Hausdorff距离提高了约20。此外，我们的无监督方法在TC区域中显示出与使用两个数据集的手动注释的实际上限模型没有统计学显着差异。代码共享在https://github.com/Fjr9516/DA_nnUNet。

本文旨在解决成人胶质瘤分割模型无法准确适用于儿童胶质瘤的问题，因为两者在影像和临床方面存在差异，而且儿童胶质瘤数据的标注通常很难获得。

作者提出了一种无监督域自适应模型DA-nnUNet，通过在nnU-Net的基础上添加一个与梯度反转层（GRL）连接的域分类器，将成人胶质瘤（源域）转移到儿童胶质瘤（目标域），并在保持源域分割准确性的同时，将域不变特征从分类器传递到分割模型。该方法不使用目标域的注释数据。

实验结果表明，DA-nnUNet在肿瘤核心（TC）区域比仅使用成人数据的模型具有显著的性能提升：Dice分数提高了约32％，95％分位数Hausdorff距离提高了约20个单位。此外，该无监督方法在TC区域与使用两个数据集的手动注释的实际上限模型没有显着差异。作者还分享了代码。

近期在这个领域中，还有一些相关的研究，如“Multi-Stage Attention-Based Convolutional Neural Network for Brain Tumor Segmentation”和“Pediatric Brain Tumor Segmentation Using a Deep Convolutional Neural Network Trained with Weakly Labeled Multi-Modal MR Images”。