FPL+: Filtered Pseudo Label-based Unsupervised Cross-Modality Adaptation for 3D Medical Image Segmentation

将医学图像分割模型适应到新的领域中，有助于提高其跨领域可转移性，而由于昂贵的注释过程，无监督域自适应（UDA）更具吸引力，只需要未标记的图像进行适应。现有的UDA方法主要基于图像或特征对齐，并通过对抗训练进行正则化，但它们受到目标域监督不足的限制。本文提出了一种增强的基于过滤的伪标签（FPL+）UDA方法，用于3D医学图像分割。它首先使用跨域数据增强将源域标记图像转换为双域训练集，包括伪源域集和伪目标域集。为了利用双域增强图像来训练伪标签生成器，使用特定于域的批归一化层来处理域偏移，同时学习域不变的结构特征，为目标域图像生成高质量的伪标签。然后，将带有伪标签的标记源域图像和目标域图像组合起来训练最终的分割器，提出了基于不确定性估计的图像级加权和基于双域一致性的像素级加权，以减轻噪声伪标签的不良影响。在三个公共多模态数据集上进行的实验证明，我们的方法超过了十种最先进的UDA方法，并且在某些情况下甚至比目标域的完全监督学习表现更好。

解决问题：论文旨在通过增强的Filtered Pseudo Label (FPL+)方法，提高无监督领域自适应（UDA）方法在三维医学图像分割中的性能，以克服目标域监督不足的问题。

关键思路：论文提出了一种增强的FPL+ UDA方法，利用交叉域数据增强将标记的源域图像转换为一个双域训练集，包括伪源域集和伪目标域集。然后使用特定于域的批归一化层来处理域偏移，生成高质量的伪标签。最后将标记的源域图像和带伪标签的目标域图像结合起来训练最终的分割器，并提出基于不确定性估计的图像级加权和基于双域一致性的像素级加权来减轻噪声伪标签的不良影响。

其他亮点：论文在三个公共多模态数据集上进行了实验，包括Vestibular Schwannoma、脑肿瘤和整个心脏分割。实验结果表明，该方法超过了十种最先进的UDA方法，并且在某些情况下甚至比目标域的全监督学习效果更好。论文提出的方法可以为医学图像分割领域的UDA方法提供新思路。

相关研究：最近在这个领域中，还有一些相关的研究，如Unsupervised Domain Adaptation for Medical Image Segmentation via Self-Supervised Contrastive Learning、Unsupervised Domain Adaptation for Medical Image Segmentation with Perceptual and Adversarial Loss等。