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

深度学习模型在准确诊断和治疗前列腺疾病的前列腺分割方面表现出了显著的功效，但是在实现不同医疗中心之间的稳健泛化方面仍存在挑战。无源域自适应（SFDA）是一种有前途的技术，可以适应深度分割模型，以解决隐私和安全问题，并减少源域和目标域之间的域漂移。然而，最近的文献表明，由于不可预测的域差距，SFDA的性能仍然远远不够令人满意。对于一些目标域样本的注释是可以接受的，因为它可以在低注释成本的情况下带来显著的性能提升。然而，由于极其有限的注释预算，需要仔细考虑选择样本进行注释。受此启发，我们的目标是开发用于医学图像分割的主动无源域自适应（ASFDA）。具体而言，我们提出了一种新颖的不确定性引导的分层自训练（UGTST）框架，包括通过基于熵的主要局部峰值过滤进行高效主动样本选择，以聚合全局不确定性和多样性感知的冗余过滤器，结合分层自学习策略，实现稳定的域自适应。对跨中心前列腺MRI分割数据集的实验结果表明，我们的方法在仅注释5％的情况下，与最先进的方法相比，在两个目标域中展示了显着的进展，平均Dice分数提高了9.78％和7.58％，与完全监督学习相当。代码可在以下网址找到：https://github.com/HiLab-git/UGTST。

本论文旨在解决深度学习模型在不同医疗中心之间实现稳健泛化的问题，提出了一种主动无源域自适应（ASFDA）方法，通过少量的目标域样本进行主动选择和自我训练，以实现稳定的域自适应。

该论文提出了一种新的不确定性引导的分层自训练（UGTST）框架，通过熵值过滤和多样性筛选来实现高效的主动样本选择，并采用分层自学习策略来实现稳定的域自适应。

论文使用了跨中心前列腺MRI分割数据集进行实验，结果表明该方法只需5％的注释，就可以在两个目标域中将平均Dice分数提高了9.78％和7.58％，与完全监督学习相当。代码已经开源。

最近的相关研究包括：1）基于对抗性学习的域自适应方法；2）基于无监督的域自适应方法；3）主动学习方法。相关论文包括：1）Adversarial Discriminative Domain Adaptation；2）Unsupervised Domain Adaptation for Medical Imaging Segmentation with Self-Ensembling；3）Active Learning for Convolutional Neural Networks: A Core-Set Approach。