Vox-UDA: Voxel-wise Unsupervised Domain Adaptation for Cryo-Electron Subtomogram Segmentation with Denoised Pseudo Labeling

冷冻电子断层技术（cryo-ET）是一种三维成像技术，可在接近原子分辨率下研究大分子结构。最近，在cryo-ET图像上进行体积分割的方法引起了生物领域的广泛关注。然而，现有的方法严重依赖于手动标记的数据，这需要高度专业的技能，从而阻碍了完全监督方法在cryo-ET图像上的应用。一些无监督领域自适应（UDA）方法已被设计用于使用未标记数据提高分割网络性能。然而，将这些方法直接应用于cryo-ET图像分割任务仍然具有挑战性，主要由于两个问题：1）通常通过模拟获得的源数据包含一定水平的噪声，而直接从真实世界场景的原始数据中收集的目标数据具有不可预测的噪声水平。2）用于训练的源数据通常由已知的大分子组成，而目标域数据通常是未知的，导致模型的分割器偏向于这些已知的大分子，从而导致域转移问题。为了解决这些挑战，本文介绍了第一个用于cryo-ET亚体积分割的体素级无监督领域自适应方法，称为Vox-UDA。Vox-UDA包括一个噪声生成模块，用于在源数据集中模拟目标类似的噪声，以进行跨噪声级别自适应。此外，我们提出了一种基于改进的双边滤波器的去噪伪标记策略，以缓解域转移问题。在模拟和真实cryo-ET亚体积数据集上的实验结果表明，与最先进的UDA方法相比，我们提出的方法具有优越性。

本文旨在解决Cryo-Electron Tomography (cryo-ET)图像分割中存在的两个问题：1）训练数据通常是通过模拟获得的，具有一定的噪声，而目标数据直接从真实场景的原始数据中收集，具有不可预测的噪声水平。2）用于训练的源数据通常由已知的大分子组成，而目标数据域通常是未知的，导致模型的分割器偏向于这些已知的大分子，从而引起域漂移问题。

本文提出了一种名为Vox-UDA的无监督域自适应方法，专门用于Cryo-ET亚体积分割。Vox-UDA包含一个噪声生成模块，用于在源数据集中模拟目标类似的噪声，以进行跨噪声级别自适应。此外，我们提出了一种基于改进双边滤波器的去噪伪标签策略，以减轻域漂移问题。

本文的亮点包括：1）提出了一种针对Cryo-ET图像分割的无监督域自适应方法，解决了源数据和目标数据之间的噪声水平不同以及域漂移问题。2）实验结果表明，与现有的UDA方法相比，Vox-UDA在模拟和真实Cryo-ET亚体积数据集上都表现出了卓越的性能。3）本文使用了多个数据集进行实验，并公开了代码。

最近在这个领域中，还有一些相关的研究，例如：“Unsupervised Domain Adaptation for Cryo-Electron Tomography Image Segmentation via Self-Training”和“Unsupervised Domain Adaptation for Semantic Segmentation via Class-Balanced Self-Training”等。