摘要
在医学图像分析中，经常需要为一个目标域场景建立一个图像识别系统，同时还具有在不同的源域场景下预训练的多个相关模型。问题涉及到将多个源域的知识迁移到目标域，然而，由于不同场景下的数据分布不同，这可能会导致性能下降。 对于目标域存在有少量标签数据的情况，这就同时提出了多源无源领域自适应和半监督学习的综合挑战。本文首次提出该问题并将其称之为半监督多源无源领域自适应。要同时解决多源无源领域自适应和半监督学习的问题，需要设计新的算法和策略来更好地利用有限的有标签数据和丰富的无标签数据，以实现更好的图像分类性能。然而，这两个问题在文献中通常是独立研究的，如何有效地结合现有的方法，在设计上并非易事。本文引入了一个新颖的MetaTeacher框架，包括两个关键部分：(1)协调权重学习用于自适应领域的调整，这意味着该框架可以自适应地将知识从多个源域转移到目标域，以克服目标域中缺乏有标签数据的限制；(2)双层优化用于持续组织源模型的适应和目标模型的学习，这使得目标模型和源模型能够相互作用，并根据彼此的反馈来调整其学习过程。它的目的是自适应地利用源模型的知识，同时最大限度地发挥它们的互补作用。 而对于目标域不存在有标签数据的情况，则称之为多源无源领域自适应。为了解决这个问题，本文对MetaTeacher框架进行拓展，提出了一个基于元学习的多源无源领域自适应方法。具体来说，在原来框架的基础上添加了置信阈值学习部分。本文为每个类构建一个全局置信阈值以及局部置信阈值，并在元学习的过程中自适应调整每个类的阈值以构建伪标签样本，代替原来的有标签目标域数据为教师模型提供反馈信号。 通过使用五个公开的胸腔医学图像数据集构建多个转移场景，验证了方法的有效性。
NETL