该论文聚焦于无源域自适应（SF-UDA）在眼底图像分割中的应用，提出了一种基于上下文感知的伪标签优化（CPR）框架，有效解决了源数据不可用时模型在目标域上的性能下降问题，尤其针对视杯和视盘分割这一青光眼筛查关键任务。

一、论文核心背景与问题

1. 领域适配的核心挑战

• 眼底图像分割的临床意义：视杯与视盘的精准分割是计算杯盘比（用于青光眼筛查）的关键，但深度学习模型易受域偏移影响（如不同医院的扫描设备、成像参数差异）。
• 传统无监督域适配（UDA）的局限：需同时访问源域数据（带标签）和目标域数据（无标签），但源数据常因隐私保护（医疗数据）或知识产权问题无法提供，因此催生“无源源域适配（SF-UDA）”。

2. SF-UDA的现有方案与不足

现有SF-UDA方法主要分为四类，但均忽略了“上下文关系”这一关键信息：

方法类别	核心思路	代表工作	不足
BN统计适配	对齐源/目标域的批归一化（BN）统计量	[16,17,23]	仅关注统计量，未利用图像局部语义关联
源图像近似	生成类源域图像辅助域对齐	[9,26]	生成过程复杂，依赖图像风格迁移，易引入噪声
熵最小化	降低模型在目标域预测的不确定性	[2]	仅优化预测置信度，未修正伪标签的上下文矛盾
伪标签法	筛选/修正目标域伪标签用于监督	[3,25]	未利用“同类特征聚类”特性，伪标签存在上下文不一致（如相邻相似区域标签不同）

3. 论文的关键观察（创新起点）

1. 上下文不一致问题：源模型在目标域生成的伪标签存在“局部矛盾”——视觉相似的相邻区域可能被标注为不同类别（如图1(a)中视盘伪标签的不规则凸起）。
2. 同类特征聚类特性：即使存在域偏移，目标域中“同类像素的特征仍会形成聚类”（图1(b)的t-SNE可视化），说明可通过特征距离计算上下文相似度（图1©）。

二、核心方法：CPR框架

CPR框架分为两大阶段，核心是“学习上下文相似度→优化伪标签→用可靠伪标签训练目标模型”

1. 阶段1：上下文相似度学习（Context-Similarity Learning）

（1）核心假设

冻结源模型的特征编码器（避免重新训练，减少计算成本），利用“同类特征聚类”特性，在编码器后添加一个上下文相似度头，学习像素间的语义关联。

（2）关键步骤

• 步骤1：生成初始可靠伪标签
  基于源模型，通过蒙特卡洛 dropout（K次前向传播） 计算像素级伪标签和不确定性：

  1. 对目标图像$x_t$，源模型输出K个预测概率图，计算平均概率$p_v$和标准差$u_v$（$u_v$越大，不确定性越高）；
  2. 伪标签${\hat{y}}_v=1[p_v\ge \gamma ]$（$\gamma =0.75$为阈值，1表示前景（视杯/视盘），0表示背景）；
  3. 计算类原型（class prototype） $z^{\omega }$（$\omega$为前景/背景）：对编码器输出的特征图，仅用“低不确定性（$u_v<\eta$）且标签一致”的像素特征求平均；
  4. 可靠性掩码$m_v=1[u_v<\eta ]\cdot 1[\text{像素特征更接近同类原型}]$，$m_v=1$表示伪标签可靠。

• 步骤2：训练上下文相似度头
  目标是让相似度头输出的“像素对相似度”与“可靠伪标签的一致性”匹配：

  1. 定义相似度标签$S_{ij}^{\ast }$：若可靠伪标签${\hat{y}}_i={\hat{y}}_j$，则$S_{ij}^{\ast }=1$（同类），否则为0（异类）；
  2. 相似度计算（L1距离的指数衰减，确保距离越小相似度越高）：
     $$S_{ij}=exp\left\{-{\Vert f^{sim}(x_i,y_i)-f^{sim}(x_j,y_j)\Vert }_1\right\}$$
     （$f^{sim}$是相似度头的1×1卷积输出，仅计算半径$r=4$范围内的像素对，降低计算量）；
  3. 损失函数（平衡三类相似度损失，避免类别不平衡）：
     $${\mathcal{L}}_{con}=-\frac{1}{4}\text{avg}(log{S}_{ij}{)}_{{\hat{y}}_i={\hat{y}}_j=1}-\frac{1}{4}\text{avg}(log{S}_{ij}{)}_{{\hat{y}}_i={\hat{y}}_j=0}-\frac{1}{2}\text{avg}(log(1-S_{ij}){)}_{{\hat{y}}_i\ne {\hat{y}}_j}$$

2. 阶段2：伪标签优化（Context-Aware Pseudo-Label Refinement）

（1）上下文感知修正（Context-Aware Revision）

利用学到的上下文相似度$S_{ij}$，对初始伪标签的概率进行“局部加权更新”，解决上下文不一致：

• 对每个像素$i$，在半径$r=4$的局部区域内，以$S_{ij}^{\beta }$（$\beta =2$，放大高相似度权重）为权重，加权平均邻域像素的概率：
  $$p_i^{re}=\sum _{d(i,j)\le r}\frac{S_{ij}^{\beta }}{{\sum }_{d(i,j)\le r}{S}_{ij}^{\beta }}\cdot p_j$$
  （$d(i,j)$为欧氏距离，迭代$t=4$次进一步优化）。

（2）概率校准（Calibration）

问题：若上下文相似度学习不准确（如视杯伪标签质量差），可能导致“前景概率被背景概率污染”（前景概率偏低）。
解决方案：用图像内的最大概率归一化，确保同类区域中心的概率接近1：
$$p_i^{\prime }=\frac{p_i^{re}}{{\text{max}}_j(p_j^{re})}$$

3. 阶段3：模型适配（Model Adaptation with Denoised Pseudo-Labels）

（1）筛选可靠伪标签（像素级+类别级去噪）

即使经过优化，伪标签仍有噪声，需结合“概率置信度”和“特征分布”筛选：

• 像素级掩码$m_{v,p}^{\prime }$：保留概率“极低（$p_v^{\prime }<{\gamma }_{low}=0.4$，视为明确背景）”或“极高（$p_v^{\prime }>{\gamma }_{high}=0.85$，视为明确前景）”的像素；
• 类别级掩码$m_{v,c}^{\prime }$：保留“像素特征更接近同类原型”的像素（同阶段1的可靠性判断逻辑）；
• 最终掩码$m_v^{\prime }=m_{v,p}^{\prime }\cdot m_{v,c}^{\prime }$（仅$m_v^{\prime }=1$的伪标签用于监督）。

（2）目标模型训练

用筛选后的伪标签${\hat{y}}_v^{\prime }=1[p_v^{\prime }\ge \gamma ]$，以交叉熵损失训练目标模型（仅更新分割头，编码器可微调）：
$${\mathcal{L}}_{seg}=-\sum _v{m}_v^{\prime }\cdot \left[{\hat{y}}_v^{\prime }\cdot log(f^t(x_t{)}_v)+(1-{\hat{y}}_v^{\prime })\cdot log(1-f^t(x_t{)}_v)\right]$$

三、实验验证

1. 实验设置

• 数据集：三个主流眼底图像数据集（均含视杯/视盘标签），按“源域→目标域”分为两组实验：
  1. 源域：Drishti-GS（50训练/51测试）→ 目标域：RIM-ONE-r3（99训练/60测试）；
  2. 源域：REFUGE（320训练/80测试）→ 目标域：Drishti-GS（50训练/51测试）。
• 模型与指标：
  • 基础模型：MobileNetV2+DeepLabv3+（分割网络）；
  • 评价指标：Dice系数（越高越好，衡量分割重叠度）、平均表面距离（ASD，越低越好，衡量分割边界精度）。
• 对比方法：无适配（直接用源模型测目标域）、上限（用目标域标签训练）、3种SOTA方法（DPL[3]、FSM[26]、U-D4R[25]）。

2. 核心结果

（1）与SOTA方法的对比（表1）

两组实验中CPR均显著优于现有方法，以“Drishti-GS→RIM-ONE-r3”为例：

• Dice系数（平均）：CPR（85.03%）> U-D4R（83.33%）> FSM（82.88%）> DPL（82.11%）；
• ASD（平均）：CPR（7.08像素）< U-D4R（8.16像素）< DPL（9.92像素）< FSM（12.41像素）。
• 定性结果（图3(a)）：CPR的分割边界更平滑，无明显“上下文矛盾”区域（如视盘边缘无凸起）。

（2）消融实验（验证各模块有效性）

• 模块必要性验证（表2）：
  • 移除“伪标签优化”：视杯Dice从75.02%降至67.25%，证明优化的核心作用；
  • 移除“校准”：视杯Dice降至58.34%（表3），说明校准能有效修正“前景概率被污染”问题；
  • 移除“去噪”：平均Dice降至83.23%，说明筛选可靠伪标签可减少噪声监督。
• 伪标签质量提升（表3）：优化后的伪标签质量显著提升，视杯Dice从67.66%→72.01%，视盘Dice从90.01%→93.51%（即使初始质量高的视盘标签仍有提升）。

四、结论与局限

1. 核心贡献

1. 创新思路：首次将“上下文相似度”引入SF-UDA眼底分割，利用“同类特征聚类”特性修正伪标签的上下文矛盾；
2. 实用框架：无需源数据，仅通过“相似度学习→伪标签优化→去噪监督”实现域适配，计算成本低（冻结源编码器）；
3. 性能验证：在两个跨域任务上超越SOTA，为医疗图像SF-UDA提供可落地方案。

2. 潜在局限

1. 适用场景：仅验证了“视杯/视盘二分类分割”，需扩展到多类别眼底分割（如血管、黄斑）；
2. 参数敏感性：相似度计算的半径$r$、权重$\beta$等参数需经验调优，缺乏自适应机制；
3. 小样本鲁棒性：未验证目标域数据量极小时的性能（如仅10张目标图像）。

五、关键补充信息

• 数据集获取：Drishti-GS、RIM-ONE-r3、REFUGE均为公开眼底数据集，可通过医学图像平台获取；
• 核心公式速查：
  • 相似度计算：$S_{ij}=exp(-{\Vert f_i^{sim}-f_j^{sim}\Vert }_1)$；
  • 伪标签修正：$p_i^{re}=\sum \frac{S_{ij}^{\beta }}{\sum S_{ij}^{\beta }}\cdot p_j$；
  • 概率校准：$p_i^{\prime }=\frac{p_i^{re}}{\text{max}(p_j^{re})}$。

Context-Aware Pseudo-Label Refinement for Source-Free Domain Adaptive Fundus Image Segmentation

https://github.com/xmed-lab/CPR