跳转至

迈向医学影像无监督域适应的实用算法选择

文章背景与核心概要

在医学影像领域，无监督域适应（UDA）算法的临床应用面临一个核心难题：由于目标部署域缺乏标签，研究人员难以直接评估不同算法及其超参数的性能，导致模型选择过程极具挑战性。

本文提出了一种全新的无监督算法选择准则，旨在无需标签的情况下联合优化算法与超参数。该方法通过构建一个“两级一致性参考”（two-level agreement reference）系统：首先利用多种无标签选择信号在各算法内部筛选候选模型，随后将这些模型在不同算法间进行聚合，形成稳健的参考预测。最终，选择与该参考预测一致性最高的模型进行临床部署。

实验结果表明，该方法在脑部MRI和胸部X光等多个临床迁移场景中，表现优于现有的选择策略，为UDA技术在医疗环境中的实际落地提供了重要的技术支撑。

摘要

Numerous unsupervised domain adaptation (UDA) algorithms exist, but for clinical practice, selecting the best-suited one along with proper hyperparameters often remains unclear, as the unlabeled deployment (target) domain prevents direct evaluation. We propose a label-free criterion that jointly selects the algorithm and hyperparameters for UDA. Given a pool of candidate models from multiple algorithms trained with different hyperparameters, our approach scores each candidate against an agreement reference, and selects the one with the highest score. The agreement reference is constructed in two levels without using target labels. First, we leverage multiple label-free selection signals, using each to nominate a model within every algorithm. Second, the nominated models are aggregated across algorithms to form a reference prediction for each unlabeled target sample. The candidate whose predictions agree most with this reference is then selected for deployment. Experimental results on four brain MRI and four chest X-ray datasets across seven clinically relevant transfer scenarios show that our method achieves better selection performance than other methods and remains effective across different algorithm pools. Our approach takes a step towards practical, label-free algorithm selection for clinical deployment of UDA.

现有的无监督域适应（UDA）算法种类繁多，但在临床实践中，由于目标部署域缺乏标签，无法进行直接评估，因此选择最合适的算法及其超参数往往并不明确。我们提出了一种无需标签的准则，用于联合选择UDA算法和超参数。给定一个由多种算法和不同超参数训练出的候选模型池，我们的方法通过与“一致性参考”进行比对来为每个候选模型评分，并选择得分最高的一个。该一致性参考在不使用目标标签的情况下分两级构建：首先，利用多种无标签选择信号，在每个算法内部提名一个模型；其次，将这些被提名的模型跨算法聚合，为每个无标签目标样本形成参考预测。最终，选择与该参考预测一致性最高的候选模型进行部署。在四个脑部MRI和四个胸部X光数据集、七个临床相关迁移场景上的实验结果表明，我们的方法比其他方法具有更好的选择性能，并且在不同的算法池中依然有效。我们的方法为UDA临床部署的实用化、无标签算法选择迈出了重要一步。

文档元数据

  • arXiv ID: arXiv:2607.28125 [cs.CV]
  • 学科分类: 计算机视觉与模式识别 (cs.CV)；人工智能 (cs.AI)
  • 会议/录用: 已被 AMAI @ MICCAI 2026 录用
  • 发布历史:
  • 提交日期: 2026年7月30日 (v1)
  • 最后修订: 2026年8月14日 (v2)
  • DOI: 10.48550/arXiv.2607.28125

作者

  • Yiheng Xiong
  • Luisa Gallée
  • Daniel Santak Wolf
  • Heiko Hillenhagen
  • Michael Götz

获取资源