通过Mamba和区域级不确定性实现的无源主动领域适应用于脑肿瘤分割 郑豪文(Haowen Zheng)、 王哲(Che Wang)、 周玉丹(Yudan Zhou)、 蔡桐波(Congbo Cai)和 陈忠(Zhong Chen)

《Brain Sciences》:Source-Free Active Domain Adaptation for Brain Tumor Segmentation via Mamba and Region-Level Uncertainty Haowen Zheng, Che Wang, Yudan Zhou, Congbo Cai and Zhong Chen

【字体: 大 中 小 】 时间:2026年03月09日 来源:Brain Sciences 2.8

编辑推荐:

   摘要 背景/目标: 从磁共振成像(MRI)中准确分割脑肿瘤对于诊断至关重要,但面临诸如不同医疗中心之间的数据领域差异、数据隐私限制以及高昂的标注成本等问题。虽然无源主动领域适应(SFADA)作为一种有前景的解决方案应运而

  

摘要

背景/目标: 从磁共振成像(MRI)中准确分割脑肿瘤对于诊断至关重要,但面临诸如不同医疗中心之间的数据领域差异、数据隐私限制以及高昂的标注成本等问题。虽然无源主动领域适应(SFADA)作为一种有前景的解决方案应运而生,但现有方法往往忽视了肿瘤区域内在的结构复杂性。 方法: 我们提出了一个新型的SFADA框架,包括两个主要贡献。首先,我们引入了区域级不确定性引导的样本选择(RUGS)策略,能够在一次推理过程中识别出最具信息量的目标领域样本。其次,我们提出了无源主动领域适应网络(SFADA-Net),这是一个基于Mamba的分割模型,配备了双路径多核卷积模块以增强局部特征交互,以及一个结构感知的提示Mamba模块以捕捉全局空间关系。 结果: 在一个源领域数据集(BraTS-2021)和三个目标领域数据集(BraTS-SSA、BraTS-PED和BraTS-MEN 2023)上的广泛评估表明,所提出的方法具有出色的适应性,在不同领域中始终保持了较高的分割准确率。即使在仅有5%的标注预算下,我们的框架也能持续胜过最先进的分割和领域适应方法,在多种领域中实现稳健的分割准确率,并接近完全监督学习的性能。 结论: 所提出的方法在有限的标注预算下实现了脑肿瘤区域分割的超高准确率和精确的边界划分。它有效缓解了领域差异问题,同时完全遵守数据隐私规定。因此,我们的框架消除了手动标注的瓶颈,加速了准确诊断工具在跨中心的应用,促进了领域适应的临床应用。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号