一种面向域自适应结直肠癌MRI的分割系统与方法

本发明属于计算机视觉及医学图像分割，具体涉及无监督域适应技术在多中心结直肠癌磁共振成像（mri）分割中的应用。

背景技术：

1、医学图像分割技术能够自动提取解剖结构和病灶区域的边界与定量信息，是计算机辅助诊断、手术规划和预后评估的核心支撑技术。结直肠癌是全球第三大常见恶性肿瘤，术前准确评估肿瘤浸润深度、淋巴结转移情况和系膜受累范围，是结直肠癌精准分期、个体化治疗和预后评估的关键依据。磁共振成像（mri）凭借高软组织分辨率与无辐射优势，已成为结直肠癌术前评估的首选影像学手段。然而，结直肠癌mri像素级分割仍依赖资深放射科医师手工完成，耗时耗力且存在显著观察者间差异，难以满足临床大规模、标准化应用需求。

2、深度学习模型在跨医疗机构部署时普遍存在性能严重下降的问题，其根本原因在于不同机构间成像设备、扫描协议和患者群体的系统性差异引入的显著域偏移，使得在源域数据上训练的模型无法直接泛化到未见过的目标域。同时，医学图像的像素级标注成本极高，在临床实践中为每个新目标域重新标注数据几乎不具备可行性。在此背景下，无监督域适应(uda)成为解决这一矛盾的主流技术范式。

3、现有无监督域适应方法主要分为两大类：一类为跨域对齐方法，通过学习域不变表示缩小源域与目标域的分布差异，但易误对齐无意义背景特征，丢失任务相关语义并引发表示扭曲；另一类为自训练方法，通过生成目标域伪标签迭代优化模型，但在严重域偏移下初始伪标签质量低下，易产生不可逆的误差累积。在结直肠癌mri分割的临床场景中，上述两类方法的局限性会被进一步放大。临床域偏移并非单一因素导致，成像对比度变化导致肿瘤边界模糊，扫描协议差异引起病灶形态扭曲，患者群体不同造成全局分布偏移。这些多层面干扰既会降低伪标签精度形成监督污染，又会干扰目标域特征学习引发表示漂移。两者相互强化形成恶性循环，被污染的监督信号迫使特征编码器向错误方向更新，漂移后的特征又进一步削弱模型判别能力，持续恶化伪标签质量。现有技术均无法同时从监督空间和特征空间打破这一循环，因此亟需一种能够同时抑制多源伪标签噪声和跨域特征漂移的鲁棒无监督域适应方法，以提高结直肠癌mri图像分割模型在跨医疗机构场景下的泛化能力，推动医学图像分割技术的临床转化应用。

技术实现思路

1、为解决上述问题，本发明提供一种面向域自适应结直肠癌mri分割的伪标签学习与原型对齐方法，通过互补的多视角可靠性建模抑制临床域偏移引发的伪标签噪声，进而在可靠性约束下构建稳定的目标域病灶原型实现鲁棒的跨域语义对齐，打破监督污染与表示漂移的恶性循环，提高结直肠癌分割模型在跨中心场景下的泛化能力。

2、本发明采用以下技术方案：

3、一种面向域自适应结直肠癌mri分割的伪标签学习与原型对齐方法，该方法基于弱-强双视角自训练范式构建，通过协同约束监督空间和特征空间，打破临床多中心数据域偏移导致的监督污染与表示漂移恶性循环，整体流程以源域带标注数据和目标域未标注数据为输入，经共享的encoder-decoder分割网络处理后，分别进入多视角可靠性引导伪标签学习（rgpl）模块和可靠性感知病灶原型对齐（rlpa）模块，最终通过联合损失函数端到端优化模型参数。

4、源域：源域数据输入为带专家像素级标注的结直肠癌mri数据集，源域表示为，其中是源域医学图像，是对应的像素级分割标注。对所有图像进行灰度转换、roi裁剪、强度归一化和掩码二值化处理。预处理后的源域图像直接输入共享的encoder-decoder分割网络得到预测结果，与真实标注共同计算由交叉熵损失和dice损失加权组成的源域监督损失，该损失直接反向传播优化网络参数，保证模型在源域上的基础分割性能。

5、目标域：目标域数据为未标注的结直肠癌mri数据集，目标域表示为，仅包含未标注的目标域图像。目标域数据分为弱增强分支和强增强分支，同一幅未标注的目标域mri图像会同时经过两种强度的数据增强处理，其中弱增强分支仅执行随机水平、垂直翻转等轻微几何变换，生成稳定低噪声的预测结果用于伪标签生成和可靠性评估；强增强分支则执行随机旋转、缩放、平移、弹性形变等大幅度扰动，生成高难度样本用于训练模型的域泛化能力和鲁棒性。两个分支的增强图像输入同一套共享参数的encoder-decoder网络，同时输出像素级分割概率图和瓶颈层高维特征图，分别送入多视角可靠性引导伪标签学习模块和可靠性感知病灶原型对齐模块进行后续处理。

6、encoder-decoder网络模块：基于unet++构建的分割网络，采用在imagenet上预训练的resnet34作为编码器，将解码器中的批归一化替换为组归一化以提高小批量训练稳定性。

7、多视角可靠性引导伪标签学习模块：作为监督空间的核心优化单元，从像素级统计、区域级结构、样本级分布三个互补视角层面系统性评估伪标签可靠性，首先基于弱增强分支输出的预测概率图计算归一化预测熵和最大预测概率，通过指数衰减函数生成像素级统计可靠性权重，量化每个像素的预测不确定性与决策置信度；接着提取弱增强分支生成的伪标签中每个连通分量的面积、紧致度、实心度三个形态学特征，与源域真实标注病灶的统计分布对比得到区域级结构一致性得分，将得分传播至区域内所有像素后与最大预测概率融合，生成结构感知可靠性权重，抑制局部置信度高但形态学不合理的伪标签；随后采用随训练迭代逐步增大的动态退火置信阈值生成硬置信掩码 ，同时计算当前样本的伪标签前景比例，与源域统计得到的期望前景范围对比得到归一化偏差度，进而生成样本级缩放系数，校准整幅图像的全局分布偏差；最后整合三个视角的信号生成多视角可靠性加权场，对通过置信阈值的像素联合施加统计权重和结构权重，对低置信度像素赋予极小常数以保留基本梯度流，从而实现对噪声监督信号的精细化过滤。

8、可靠性感知病灶原型对齐模块：rlpa模块作用于特征空间，利用rgpl模块生成的可靠性加权场解决跨域特征不匹配问题，首先从encoder-decoder网络的瓶颈层分别提取源域和目标域的高维特征，基于源域真实标注筛选病灶像素聚合得到初始源域病灶原型，并采用指数移动平均方法在线更新以维持稳定的参考基准；同时利用多视角可靠性加权场和原型聚合置信阈值，筛选目标域中伪标签为病灶且置信度达标的像素，按可靠性权重加权聚合得到语义纯净的目标域病灶原型；随后计算源域与目标域病灶原型之间的l2距离作为原型对齐损失，显式将目标域病灶特征表示拉向源域，且仅对齐病灶类别以避免背景区域的噪声干扰。

9、最终整体联合损失函数由源域监督损失、多视角可靠性加权伪标签损失、类别感知一致性损失和原型对齐损失加权组成，其中利用多视角可靠性加权场对强增强分支的预测施加差异化监督，优先强化高可靠区域的学习，通过kl散度约束强弱增强分支的预测一致性，并对病灶像素施加额外权重以缓解类别不平衡，所有损失通过监督信号流反向传播，采用带动量的随机梯度下降算法端到端训练网络，得到适应目标域的结直肠癌分割模型。

10、所述的方法，多视角可靠性引导伪标签学习具体从像素级统计、区域级结构、样本级分布三个互补视角层面联合建模伪标签可靠性。像素级统计可靠性评估首先将目标域的像素级预测不确定性建模为可靠性估计的基础信号。给定弱增强分支输出的类别预测概率，记像素的预测概率向量为，定义归一化预测熵为：

11、

12、其中c为类别数，表示像素属于类别的预测概率。归一化因子将熵约束在[0,1]范围内，使其适用于可靠性调制。基于该不确定性度量，定义像素级统计可靠性权重为：

13、

14、其中控制熵的衰减速率。该权重为不确定的预测分配较低值，为置信度高的预测分配较高值，从而提供像素级可靠性的连续估计。然而，仅熵值无法完全反映预测类别本身的置信度。一个预测可能具有相对较低的熵，但仍缺乏足够强的类别偏好。因此，我们进一步引入最大预测概率：

15、

16、它直接衡量像素x处最可能类别的置信度。和提供了互补的统计信号：捕捉预测不确定性，反映决策置信度。这两个信号构成了后续可靠性建模的统计基础。

17、在像素级统计信号的基础上，我们进一步从区域结构视角评估伪标签可靠性。在域偏移下，局部置信度高的预测仍可能形成形态学上不合理的区域。为减少此类误差，我们引入一种形态学先验引导的校正策略，将弱预测病灶图中的每个连通分量与源域结构统计量进行对比评估。区域级结构可靠性评估将每个候选病灶区域视为一个结构单元。对于连通分量r，我们使用三个互补的描述符来描述其形态，即面积（area）、紧致度（compactness）和实心度（solidity），分别表征区域的尺度、形状和结构完整性。这些描述符使我们能够评估高置信度预测是否同时具有结构合理性，从而约束那些局部置信度高但形态学异常的预测。

18、为量化目标域候选区域与源域形态学分布的偏差，定义区域 r 的结构一致性得分为：

19、

20、其中表示区域在形态学维度上的观测值，和是从源域真实标注病灶中估计得到的对应统计量的均值和标准差，是分配给维度k的权重，满足。得分越高表示该区域与源域结构先验越一致。由于连通分量内的所有像素共享相同的区域结构，将得分传播到每个像素，得到区域感知结构信号。然后将该信号与像素级置信度融合，形成融合可靠性得分：

21、

22、其中平衡像素级置信度和区域级结构一致性的贡献。基于融合得分，定义结构感知可靠性权重为：

23、

24、其中控制衰减强度。该设计抑制了那些局部置信度高但结构不合理的预测，使与像素级不确定性建模形成互补，在区域层面提高伪标签质量。

25、除了像素级和区域级可靠性估计，我们进一步建模样本级分布一致性，以捕捉目标预测中的图像全局偏差。具体而言，我们为多视角可靠性引导伪标签学习扩展了动态置信门和前景比例校准项。首先，遵循自训练中基于置信度的伪标签过滤策略，基于动态阈值定义硬置信掩码：

26、

27、其中是指示函数，是退火阈值，在训练过程中逐步扩大有效监督集。为进一步校准图像级分布偏差，定义目标样本的伪标签前景比例为：

28、

29、其中表示目标域像素空间，是弱增强分支生成的伪标签。比例衡量当前目标样本中预测的前景像素占比。基于源域统计量，我们估计期望的前景比例范围。为量化当前样本与该先验范围的偏差，定义归一化偏差度：

30、

31、当r落在期望范围内时，偏差为0；否则，偏差随与区间边界的距离增大而增大。这提供了一种简单的样本级分布异常度量。然后定义样本级缩放系数：

32、

33、其中控制惩罚强度。随着偏差增大会逐步降低对应样本对伪标签监督的贡献。最后，将统计、结构和样本级信号整合为多视角可靠性加权场：

34、

35、其中是一个小常数，用于为低置信度像素保留基本的梯度流。通过置信度阈值的像素由和联合加权，其余像素则获得。系数通过前景比例一致性对整幅图像进行校准，因此统一了像素、区域和样本级的可靠性，用于后续的自训练。

36、所述的多视角可靠性引导伪标签学习模块通过两个损失函数优化目标域自训练，第一个是多视角可靠性加权伪标签损失，定义为：

37、

38、其中表示弱增强分支生成的伪标签，是强增强分支在像素x处对类别c的预测概率，是避免除零的小常数。通过用对每个像素加权，该损失为在像素、区域和样本层面上都可靠的区域分配更强的监督。为提高强扰动下的一致性，我们进一步引入类别感知一致性损失，定义为：

39、

40、其中和分别表示弱增强分支和强增强分支预测的概率分布，是前景增强系数。kl散度鼓励强增强预测与弱增强参考分布保持一致，而前景加权则加强了对病灶像素的约束，以缓解类别不平衡问题。和互为补充：通过优先对高置信度区域进行可靠的伪标签监督，而则通过前景增强在整个目标图像上提高扰动不变性学习能力。

41、所述的方法，可靠性感知病灶原型对齐模块从可靠的伪标签特征构建目标域病灶原型，并与源域原型对齐，以减小特征漂移并提高语义一致性。原型对齐中的一个关键问题是目标特征聚合的噪声问题。因此，我们使用多视角可靠性加权场指导原型构建，使更可靠的病灶区域对目标原型的贡献更大。具体而言，目标域病灶原型计算如下：

42、

43、其中表示目标像素x的编码器特征向量，是原型聚合的置信度阈值，是保证数值稳定性的小常数。仅使用被伪标签标注为病灶且满足置信度阈值的目标像素进行聚合。对于源域，我们从真实标注构建病灶原型，并使用指数移动平均（ema）进行更新，以维持稳定的源域参考原型：

44、

45、其中表示源域像素空间，是源域像素x的特征向量，是ema动量系数。该更新方案在训练过程中保持源域参考原型的稳定性。基于源域和目标域原型，定义可靠性感知病灶原型对齐损失为：

46、

47、该损失显式地将可靠的目标域病灶表示拉向源域病灶原型。背景区域在不同域间通常表现出显著的外观变化，强制对这些区域进行对齐会引入虚假信号，削弱跨域判别能力。因此，我们将原型对齐限制在病灶类别，使模型能够专注于任务相关的判别语义，避免无信息背景变化的干扰。

48、所述的方法，所构建的深度神经网络模型，总体损失函数表达为：

49、

50、其中，为源域监督损失，由交叉熵损失和dice损失组成；为多视角可靠性加权伪标签损失，用于优化强增强分支的预测；为类别感知一致性损失，用于提高强扰动下的预测一致性；为可靠性感知病灶原型对齐损失，用于减小跨域特征差异；=1.0、=0.1和=0.3为各损失项的权重系数。

51、有益效果

52、本发明与现有技术相比，具有以下有益效果：

53、本发明提出了一种用于结直肠癌mri分割的无监督域适应框架，通过将多视角可靠性引导伪标签学习与可靠性感知病灶原型对齐相结合，同时实现了伪标签监督质量与跨域特征对齐精度的双重提升；其中多视角可靠性引导伪标签学习模块从像素、区域和样本三个视角层面联合建模伪标签可靠性，能够系统性地抑制临床域偏移引发的多源伪标签噪声，从源头上减少监督污染，可靠性感知病灶原型对齐模块则利用可靠性权重筛选高置信度目标特征构建纯净原型，避免了噪声特征导致的原型偏移，实现了精准的跨域语义对齐，有效减小了特征漂移。在跨域结直肠癌mri分割任务上的实验表明，在存在显著域偏移的情况下，本方法相比当前最优无监督域适应方法取得了一致的性能提升，充分证明了其在不使用任何目标域标注的情况下能够实现鲁棒的跨域适应。