摘要：CTV 自动分割的二级层级融合架构，以实现不同机构影像及勾画设置下的高效少样本域自适应Few-shot Domain Adaptation 。研究人员提出DNQ-UNet模型，该模型采用双编码器架构，包含两个融合层级：用于浅层外观对齐的空间自适应归一化SPADE 和用于深层语义迁移的跨注意力机制Cross-Attention 。训练策略采用带有分组学习率的渐进式两阶段方法。少样本自适应阶段分别使用了3、5、10、20、40和60个微调病例，并在相同的目标域测试设置下评估了包括nnU-Net V2、SwinUNETR和MedNeXt在内的其他三维微调基线模型。消融研究评估了每个融合组件的贡献。在目标域测试集上，零样本情况下的Dice相似系数DSC 为$0.8040\pm 0.0549$。随着微调病例数增加到3、5和10例，DSC分别提升至$0.818\pm 0.073$、$0.830\pm 0.050$和$0.838\pm 0.056$。在5-shot和10-shot设置下，DNQ-UNet取得了相比其他3D基线模型最高的DSC值。消融实验表明，移除任一融合层级或使用单一U-Net均导致DSC显著下降（所有$p<0.001$）。该框架仅需5-10例标注病例即可实现高效的少样本域自适应，为跨机构部署提供了一种本地化适应的轮廓初始化方法，有望减少标注和重复修正的工作负担。
宫颈癌仍是全球主要的健康负担之一，放射治疗是其核心治疗手段，而准确勾画临床靶区
CTV 对于现代调强和图像引导放射治疗至关重要。然而，人工勾画耗时且存在显著的观察者间差异，限制了常规实践中的效率和一致性
[1,2,3,4,5] 。尽管基于深度学习的自动分割技术在单机构数据上表现优异，但由于不同机构在CT扫描仪、采集协议、层厚及勾画惯例上的差异，模型在跨域应用时性能会显著下降
[12,13,14] 。由于大样本标注的目标域数据往往不可得，少样本域自适应
Few-shot Domain Adaptation 成为解决这一问题的关键研究方向。现有的少样本分割方法多针对 episodic learning 或2D基准设计，难以直接适配3D放射治疗部署。为此，研究人员开展了本项研究，旨在开发一种适用于3D放疗工作的少样本域自适应框架。
研究人员提出了DNQ-UNet，这是一种用于宫颈癌CTV分割的层次化两级融合框架。该技术方法主要涉及双编码器架构设计，其中第一个U-Net用于提取域自适应先验和多尺度引导特征，第二个U-Net用于高分辨率分割。融合机制包括浅层级的空间自适应归一化
SPADE 以实现外观对齐，以及深层级的跨注意力机制
Cross-Attention 以实现语义知识迁移。训练策略采用分组的差异化学习率，分为预训练、联合训练和少样本微调三个阶段。数据集来源包括：源域来自单一大中心机构，使用GE Discovery CT590 RT扫描仪采集的508例CT病例；目标域来自宁夏人民医院，使用Philips Brilliance CT Big Bore扫描仪采集的80例CT病例，其中60例用于自适应池，20例作为独立测试集。
研究结果分为以下几个部分：
1. 少样本自适应性能：零样本转移时，目标域DSC为$0.804\pm 0.055$，表明存在明显的域差异。使用3、5和10例微调病例后，DSC分别提升至$0.818\pm 0.073$、$0.830\pm 0.050$和$0.838\pm 0.056$。结果表明，5-10例标注病例即可提供有效的域适应，10例在DSC和边界准确性之间提供了最稳定的平衡。3例时边界稳定性较差，HD95较高；40-60例时出现收益递减和过拟合迹象。
2. 与3D微调基线的比较：在相同的少样本设置下，DNQ-UNet在5-shot（$0.830\pm 0.050$）和10-shot（$0.838\pm 0.056$）设置下的DSC均优于nnU-Net V2、SwinUNETR和MedNeXt等基线模型，显示出更高的样本效率。
3. 消融研究：在源域测试集上，全模型DSC为$0.8502\pm 0.0454$。移除Level 2跨注意力使DSC降至$0.8356\pm 0.0474$；移除Level 1 SPADE使DSC降至$0.8380\pm 0.0453$；使用单一U-Net基线时DSC为$0.8356\pm 0.0479$。所有变体均显示出具有统计学意义的DSC下降，证明两个融合层级均对性能有贡献。
4. 定性评估：DNQ-UNet的预测在子宫-宫颈交界处和参数延伸等挑战性边界处更贴近专家参考轮廓，表现出稳健性，但仍存在轻微的子宫-宫颈交界处欠分割和膀胱壁过度分割。
讨论部分指出，DNQ-UNet通过层级设计提供了互补的适应机制。SPADE在浅层处理扫描仪特定外观和协议差异，而跨注意力在深层处理语义复杂的边界。该设计允许模型仅适应局部风格变化，同时保留主分割引擎的通用知识，避免了全参数联合适应带来的灾难性遗忘。临床部署视角下，DNQ-UNet应被视为本地适应的轮廓初始化工具，而非取代医生审查。尽管研究证明了5-10例数据的有效性，但仍存在局限性：源域和目标域均来自单一中心，目标域测试集较小，且未直接benchmark人类读者绩效。
结论部分总结道，DNQ-UNet证明了层次化两级融合能够实现高效的少样本域自适应，用于宫颈癌CTV分割。在本研究中，5-10例标注的目标域病例足以恢复零样本转移中观察到的大部分性能损失。该框架为在有限标注数据机构中部署AI辅助勾画系统提供了一种减少标注负担并改善本地适应轮廓初始化的实用途径。论文发表在《Radiological Physics and Technology》。
打赏
