arXiv cs.AI· Yiheng Xiong, Luisa Gall\'ee, Daniel Santak Wolf, Heiko Hillenhagen, Michael G\"otz·· 14 小时前AI 评分23
面向医学影像无监督域自适应的实用算法选择方法
Towards Practical Algorithm Selection for Unsupervised Domain Adaptation in Medical Imaging
AI 导读
研究提出一种无需标签的准则，可同时为医学影像的无监督域自适应（UDA）选择算法与超参数。该方法先用多种无标签选择信号在每个算法内提名模型，再跨算法聚合为参考预测，选出与参考一致性最高的候选。在四个脑部 MRI 和四个胸部 X 射线数据集、七种临床迁移场景上，其选择性能优于其他方法，且在不同算法池中均有效。
正文 · AI 翻译
摘要：现有的无监督域适应（UDA）算法众多，但在临床实践中，如何选择最合适的算法及其恰当的超参数往往仍不明确，因为未标注的部署（目标）域使得直接评估无法进行。我们提出一种无标签准则，可同时为 UDA 选择算法和超参数。给定由多种算法在不同超参数下训练得到的候选模型池，我们的方法为每个候选模型对照一致性参考进行打分，并选择得分最高者。该一致性参考在不使用目标标签的情况下分两个层次构建。首先，我们利用多个无标签选择信号，用每个信号在每种算法内提名一个模型。其次，将各算法提名的模型进行聚合，为每个未标注目标样本形成参考预测。随后选择预测结果与该参考最一致的候选模型用于部署。在四个脑部 MRI 和四个胸部 X 射线数据集上、跨七种临床相关迁移场景的实验结果表明，我们的方法在选择性能上优于其他方法，并且在不同算法池中均保持有效。我们的方法朝着面向 UDA 临床部署的实用、无标签算法选择迈出了一步。
| 评论： | 已被 AMAI @ MICCAI 2026 接收 |
| 主题： | 计算机视觉与模式识别（cs.CV）；人工智能（cs.AI） |
| 引用为： | arXiv:2607.28125 [cs.CV] |
| （或 arXiv:2607.28125v3 [cs.CV] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2607.28125 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Yiheng Xiong [查看邮箱]
[v1]
2026年7月30日星期四 12:34:07 UTC（188 KB）
[v2]
2026年8月14日星期五 08:01:13 UTC（188 KB）
[v3]
2026年10月25日星期日 14:44:15 UTC（190 KB）
来源：arXiv cs.AI · arxiv.org