一、研究背景与待解决问题

1. 医学图像分割的域偏移挑战
   基于深度学习（DL）的医学图像分割方法虽有显著进步，但实际场景中测试数据（目标域）与训练数据（源域）常存在域偏移，源于设备、患者人群、图像质量等差异，会严重降低模型在目标域的性能。

2. 现有域适应方法的局限性

   • 无监督域适应（UDA）：需同时使用有标签源数据与无标签目标数据，通过解耦域变异信息（DVI）和域不变信息（DII）实现泛化，但医疗场景中数据隐私、收集难度等问题限制了源数据访问，难以应用。
   • 无源源域适应（SFDA）：仅用无标签目标数据适配预训练源模型，是医疗场景的理想方案，但面临三大挑战：① 缺乏源数据指导，DVI/DII解耦困难；② 仅靠无标签目标数据，DII保留难度大；③ 现有频率基方法依赖经验性滤波器配置，不适用于SFDA。

二、AIF-SFDA算法设计

（一）算法核心目标

通过基于频率的可学习信息过滤器，结合信息瓶颈（IB）和自监督（SS），仅依赖无标签目标数据，自主解耦DVI与DII，实现医学图像分割的SFDA。

（二）关键组件与原理

1. 频率基信息过滤器

   • 基于二维离散余弦变换（DCT）将目标图像转换至频率域，公式为：
     

   • 引入注意力模块生成注意力图，通过哈达玛积（⊙）与逆DCT变换，得到过滤后图像x^f，公式为：
     

   • 特性：具备可学习参数，能根据输入图像自适应选择/移除信息。

2. IB约束的DVI减少

   • 核心思想：将过滤后图像视为中间变量，通过最小化输入与中间变量的互信息（MI），减少冗余DVI。
   • 实现方式：因直接计算图像MI复杂度高，转而约束共享编码器输出特征与特征的MI，通过变分分布近似真实分布，优化损失和负对数似然损失。

3. SS约束的DII保留

   • 置信度伪标签（PL）监督：采用师生架构，教师解码器生成伪标签及置信度，通过置信度阈值(\tau=0.8)过滤低置信度伪标签，计算交叉熵损失
   • 特征一致性约束：用余弦相似度最小化的距离，确保DII保留

（三）优化流程（Algorithm 1）

三、实验设计与结果

（一）实验设置

1. 数据集

   任务	数据集（源域标记*）	样本量	数据类型
   视网膜血管分割	DRIVE*、AVRDB、CHASEDB1、DRHAGIS、LES-AV、STARE	40、100、28、40、22、20	眼底图像（公开）
   关节软骨分割	A*、B、C	956、982、750	超声图像（私有）

   • 所有数据集按1:1随机划分为训练集与测试集。

2. 评价指标

   • Dice相似系数（DSC）：衡量分割重叠度，越高越好。
   • 交并比（IoU）：衡量分割准确性，越高越好。

3. 基线算法与实现细节

   • 基线算法（共9种）：

     类型	算法名称
     普通分割	Rolling-Unet（Liu et al. 2024）、DTMFormer（Wang et al. 2024）
     UDA	CS-CADA（Gu et al. 2022）、DAMAN（Mukherjee et al. 2022）、MAAL（Zhou et al. 2023）
     SFDA	SFODA（Niloy et al. 2024）、UPL-SFDA（Wu et al. 2023）、UBNA（Klingner et al. 2022）、TSFCT（Li et al. 2023b）

   • 实现细节：采用Adam优化器（初始学习率0.001），批大小2；分割模型为U-net（Ronneberger et al. 2015）；过滤器注意力模块为3层轻量级U-net；变分分布为多元高斯分布（参数由2层MLP生成，隐藏层大小1024）。

（二）实验结果

1. 视网膜血管分割结果

   算法	SF标记*	AVRDB（DSC/IoU）	CHASEDB1（DSC/IoU）	DRHAGIS（DSC/IoU）	LES-AV（DSC/IoU）	STARE（DSC/IoU）
   Source	/	54.34/39.47	52.36/37.87	54.65/39.48	58.12/42.18	58.53/42.69
   CS-CADA（UDA）	✗	65.16/48.58	64.15/47.48	69.94/55.56	75.22/60.48	74.71/60.26
   SFODA（SFDA）	✓	64.69/48.79	63.88/46.87	66.25/51.03	76.83/62.69	74.69/61.65
   AIF-SFDA（SFDA）	✓	66.22/49.85	64.44/47.49	69.99/55.16	78.08/63.15	76.68/63.01

   • 结论：AIF-SFDA在所有目标数据集上DSC和IoU均最优，优于普通分割、UDA和其他SFDA算法；TSFCT出现负适应，证明SFDA难度。

2. 关节软骨分割结果

   算法	B（DSC/IoU）	C（DSC/IoU）
   Source	63.43/57.98	51.57/52.20
   SFODA	66.69/60.11	55.14/55.21
   TSFCT	67.03/57.13	51.02/47.27
   AIF-SFDA	69.14/62.07	55.16/55.70

   • 结论：AIF-SFDA在B、C数据集上指标最优；C数据集与源域差异更大，UPL-SFDA、TSFCT出现负适应，而AIF-SFDA因融合PL与特征约束，泛化性更强。

3. 消融实验（AVRDB数据集）
   验证IB（MI Min.）、PL（PL Sel.）、Cons.（Cons.）模块的作用：

   MI Min.	PL Sel.	Cons.	DSC	IoU
   -	-	-	58.62	42.79
   ✓	-	-	62.34	46.22
   ✓	-	✓	65.25	49.08
   ✓	✓	-	63.22	46.88
   ✓	✓	✓	66.22	49.85

   • 结论：三个模块均能提升性能，且三者结合时效果最佳，证明各模块设计合理。

4. 自适应vs固定过滤器对比

   • 固定过滤器：采用阈值0.01-0.1的高通滤波器，无MI损失优化。
   • 结果：AIF-SFDA的自适应过滤器能提升血管像素边缘梯度，减少伪影，DSC高于所有固定阈值过滤器，证明自适应过滤对域解耦的重要性。

四、研究贡献与结论

1. 核心贡献

   • 提出AIF-SFDA算法，首次将可学习频率过滤器用于医学图像分割SFDA，实现DVI/DII自适应解耦。
   • 构建仅依赖目标数据的自主信息过滤器，通过IB约束减少DVI，SS约束保留DII，无需源数据指导。
   • 在跨模态（眼底、超声）、多任务实验中验证算法有效性，优于现有SOTA方法。

2. 结论
   AIF-SFDA通过频率基自主信息过滤机制，有效解决了SFDA场景下医学图像分割的域偏移问题，为医疗隐私场景下的模型泛化提供了可行方案。

---

4. 关键问题

问题1：AIF-SFDA算法如何在无源源域适应（SFDA）场景下实现域变异信息（DVI）与域不变信息（DII）的自主解耦？其核心技术路径是什么？

答案

AIF-SFDA通过“频率基信息过滤器+双约束机制”实现自主解耦，核心技术路径如下：

1. 频率基可学习信息过滤器：以二维DCT变换为基础，将目标图像转换至频率域，结合注意力模块生成自适应注意力图，通过哈达玛积与逆DCT变换，得到过滤后图像，过滤器参数可学习，能根据输入图像特性调整信息选择/移除策略；
2. IB约束的DVI减少：将过滤后图像视为中间变量，通过最小化输入目标图像与过滤后图像的特征互信息（MI），减少冗余DVI——因直接计算图像MI复杂度高，转而约束共享编码器输出的特征互信息，用变分分布近似真实分布，优化MI损失(\mathcal{L}{MI})和负对数似然损失(\mathcal{L}{Li})；
3. SS约束的DII保留：采用师生架构生成置信度伪标签（阈值(\tau=0.8)过滤低置信度标签），通过交叉熵损失(\mathcal{L}{PL})引导过滤器学习任务相关DII；同时用余弦相似度约束输入图像与过滤后图像的特征距离，通过(\mathcal{L}{Con})确保DII不丢失；
4. 优化闭环：仅依赖无标签目标数据，迭代优化过滤器参数与模型参数，用EMA更新教师模型，实现无需源数据的自主域解耦。

问题2：在医学图像分割任务中，AIF-SFDA与现有先进算法（如SFODA、CS-CADA等）相比，核心优势体现在哪些方面？实验数据如何支撑这些优势？

答案

AIF-SFDA的核心优势体现在泛化性更强、适配场景更广、依赖数据更少，实验数据支撑如下：

1. 泛化性更强：在跨域场景下，AIF-SFDA在DSC、IoU指标上全面优于普通分割、UDA、其他SFDA算法
   • 视网膜血管分割（AVRDB数据集）：AIF-SFDA的DSC=66.22%、IoU=49.85%，高于SFODA（DSC=64.69%、IoU=48.79%）和UDA算法CS-CADA（DSC=65.16%、IoU=48.58%）；
   • 关节软骨分割（B数据集）：AIF-SFDA的DSC=69.14%、IoU=62.07%，高于SFODA（DSC=66.69%、IoU=60.11%）和TSFCT（DSC=67.03%、IoU=57.13%）。
2. 适配场景更广：能应对目标域与源域差异更大的场景，避免负适应
   • 关节软骨分割（C数据集，与源域差异大于B）：UPL-SFDA（DSC=49.75%）、TSFCT（DSC=51.02%）出现负适应（低于源模型的51.57%），而AIF-SFDA的DSC=55.16%，仍保持正向提升；
3. 依赖数据更少：无需源数据，且无需经验性参数配置
   • 对比固定频率过滤器（依赖人工设定阈值0.01-0.1）：AIF-SFDA的自适应过滤器无需人工调参，且DSC高于所有固定阈值过滤器，同时能减少伪影、提升边缘梯度，证明其数据依赖性更低、鲁棒性更强。

问题3：AIF-SFDA中的自监督（SS）约束包含置信度伪标签监督（PL）和特征一致性约束（Cons.），这两个子约束分别解决了SFDA场景下的什么问题？消融实验如何验证它们的必要性？

答案

（1）两个子约束解决的问题

1. 置信度伪标签监督（PL）：解决SFDA场景下“无标签指导导致DII学习缺乏任务相关性”的问题
   • SFDA仅有无标签目标数据，模型难以判断哪些信息与分割任务相关（即DII）；PL通过师生架构生成伪标签，并基于置信度阈值（(\tau=0.8)）过滤低置信度标签，避免错误标签干扰，引导过滤器优先保留与任务相关的DII（如视网膜血管、软骨区域特征），同时帮助分割模型适配过滤后图像。
2. 特征一致性约束（Cons.）：解决SFDA场景下“IB约束仅减少DVI，可能误删DII”的问题
   • IB约束通过最小化互信息减少DVI，但可能过度过滤导致DII丢失；Cons.通过余弦相似度最小化输入图像与过滤后图像的特征距离，确保两者包含相同的任务相关语义信息，在减少DVI的同时，强制保留DII，避免模型因信息过度丢失导致性能下降。

（2）消融实验验证（AVRDB数据集）

消融实验通过逐步添加三个关键模块（IB的MI Min.、SS的PL Sel.、SS的Cons.），观察指标变化，验证PL和Cons.的必要性：

模块组合	DSC	IoU	关键结论
仅MI Min.（无PL、无Cons.）	62.34	46.22	仅IB能提升性能，但缺乏DII保留机制，指标较低
MI Min. + Cons.（无PL）	65.25	49.08	加入Cons.后，DII保留更充分，DSC提升2.91个百分点，证明Cons.能弥补IB的DII丢失问题
MI Min. + PL（无Cons.）	63.22	46.88	加入PL后，DSC提升0.88个百分点，证明PL能提供任务相关指导，帮助过滤器定位DII
MI Min. + PL + Cons.（完整模型）	66.22	49.85	两者结合时指标最优，DSC较“仅MI Min.”提升3.88个百分点，证明PL和Cons.相辅相成，均为必要模块