基于类别平衡与伪标签去噪的无源域适应方法
王墨涵
南京理工大学计算机科学与工程学院 江苏南京 210000
摘要：医学眼底图像分割在眼科疾病诊断和治疗中至关重要,但面临域转移问题,导致预训练好的模型在不同临床中心的数据集上表现较差.传统的无监督领域适应(UDA)方法通过利用有标签的源域数据和无标签的目标域数据进行训练,但在医学影像领域存在严格的隐私保护问题,源数据的访问存在限制.为此,无源领域自适应(SFDA)方法应运而生,通过仅使用无标签的目标域数据适应预训练模型.然而,现有SFDA方法仍面临类别不平衡和伪标签存在噪声等挑战,限制了模型的适应性能.文章提出了一种类别平衡的教师-学生联合训练方案,通过动态加权不同类别的损失函数,用于解决类别不平衡问题.此外,通过估计伪标签的可靠性,降低伪标签中含有的噪声.以REFUGE数据集为源域、RIM-ONE-r3和Drishti-GS数据集为目标域进行实验.实验结果显示,所提方法在RIM-ONE-r3数据集的Dice系数达到了 93.15％,在Drishti-GS数据集的Dice系数达到了 96.59％,显著提升了模型在医学图像分割任务中的适应性能.
关键词：无源领域自适应眼底图像分割教师-学生模型类别平衡伪标签去噪
论文发表日期：2025-07-25
在线出版日期：2026-05-22（本平台首次上网日期，不代表文献的发表时间）
页数：4( 33-36 )