⚡ electrical engineering

Unsupervised Adaptation from FDG to PSMA PET/CT for 3D Lesion Detection under Label Shift

本文提出了一种针对标签偏移的无监督域适应框架，通过自适应调整检测锚框形状及基于病灶体积直方图分配伪标签配额，成功实现了从 FDG 到 PSMA PET/CT 的 3D 病灶检测迁移，显著提升了跨示踪器检测的鲁棒性。

原作者： Xiaofeng Liu, Menghua Xia, Yanis Chemli, Georges El Fakhri, Chi Liu, Jinsong Ouyang

发布于 2026-03-17

📖 1 分钟阅读☕ 轻松阅读

原作者： Xiaofeng Liu, Menghua Xia, Yanis Chemli, Georges El Fakhri, Chi Liu, Jinsong Ouyang

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

这篇论文讲述了一个关于**“教 AI 医生学会看新类型体检报告”**的故事。

想象一下，你是一位经验丰富的AI 侦探（深度学习模型），你的特长是看FDG-PET/CT这种体检报告。这种报告就像是用“葡萄糖”给身体里的癌细胞染色，癌细胞因为爱吃糖，所以会发光。你已经在成千上万份 FDG 报告上训练过，能精准地找出肿瘤。

但是，现在医院引进了一种新的体检技术，叫PSMA-PET/CT。这种报告是用另一种染料（针对前列腺癌）来显影的。虽然都是看肿瘤，但这两种“染料”的脾气完全不同：

显影方式不同：有的地方在 FDG 里很亮，在 PSMA 里却暗；有的地方在 PSMA 里很亮，在 FDG 里却暗。
肿瘤的样子变了：这是最关键的。在 FDG 报告里，肿瘤通常是个大块头；但在 PSMA 报告里，肿瘤往往变成了很多个细小的“小不点”，而且数量更多。

问题来了：如果你直接把你训练好的“老侦探”派去查 PSMA 报告，它会因为习惯了找“大块头”，而漏掉那些密密麻麻的“小不点”，或者把正常的组织误判成肿瘤。这就是所谓的**“域偏移”**（Domain Shift）。

这篇论文就是为了解决这个问题，提出了一套**“无监督自适应”（Unsupervised Domain Adaptation）的魔法，让 AI 侦探能在没有老师（没有标注数据）**的情况下，自己学会看 PSMA 报告。

核心魔法：两个聪明的“自我修正”机制

作者没有让 AI 从头学起，而是让它通过**“自我训练”**（Self-training）来进化。在这个过程中，他们发现了两个关键问题，并设计了两个巧妙的对策：

1. 调整“搜索框”的大小（锚点适应）

比喻：想象你在玩“找茬”游戏，手里拿着不同大小的放大镜。以前你只用大号放大镜（因为 FDG 里的肿瘤大），现在你要找 PSMA 里的小肿瘤，大号放大镜根本看不清细节。
做法：AI 先试着在 PSMA 报告上找一些它觉得像肿瘤的“假想敌”（伪标签）。然后，它会根据这些“假想敌”的实际大小，动态调整自己手里的放大镜尺寸。
技巧：它不是突然换掉放大镜，而是像**“温水煮青蛙”**一样，用一种叫“指数移动平均”的方法，慢慢把放大镜变小，直到它最适合 PSMA 里的小肿瘤。这样，AI 就能稳稳地框住那些小病灶了。

2. 重新分配“找茬配额”（标签偏移修正）

比喻：这是最精彩的部分。
- 旧习惯：以前在 FDG 报告里，肿瘤很大，所以 AI 觉得“大肿瘤”才是真的。如果它在新报告里看到很多小点，它会觉得“这太奇怪了，可能是假的”，于是把它们都过滤掉。
- 新规则：作者告诉 AI：“别死守老规矩！PSMA 报告里，小肿瘤才是主流，而且数量很多。”
- 做法：AI 会先偷偷观察一下 PSMA 报告里肿瘤的大小分布（比如：10% 是巨大的，90% 是微小的）。然后，它给自己定了一个**“配额表”**：
  - 如果这一页报告里应该有 10 个肿瘤，那么根据配额，其中 1 个可以是大的，9 个必须是小一点的。
  - 在筛选“假想敌”时，AI 不再只看谁最亮（置信度最高），而是按大小分类，确保每个大小类别的肿瘤都有机会被选中，而不是只选那些像 FDG 里的大肿瘤。
结果：这样 AI 就不会因为“偏见”而漏掉那些细小的肿瘤了。

训练过程：像“交替练习”一样

整个学习过程就像是一个**“双轨制”**的训练营：

复习课：AI 继续看熟悉的 FDG 报告（有标准答案），保持基本功。
实战课：AI 拿着调整好的“放大镜”和“配额表”，去看不熟悉的 PSMA 报告（没标准答案）。它自己选出一些觉得像肿瘤的，当作“临时答案”（伪标签），然后反过来用这些“临时答案”来训练自己。
循环：这两步交替进行，AI 的“放大镜”越来越精准，“配额表”越来越符合实际情况。

最终效果

在著名的 AutoPET 2024 挑战赛上，这套方法大获全胜：

如果不做任何调整，AI 在 PSMA 报告上的表现很差（就像让一个只认识大象的人去数蚂蚁）。
用了这套方法后，AI 不仅找得更准（AP 指标大幅提升），而且漏掉的更少（FROC 曲线表现更好）。
最重要的是，它不需要人工去标注成千上万份新的 PSMA 报告，就能自己学会适应新环境。

总结

这就好比给一位老练的老中医（FDG 模型）换了一套新眼镜（自适应框架），并教他新的诊断口诀（大小配额和锚点调整）。虽然病人（数据）变了，病灶（肿瘤）的样子也变了，但这位老中医通过自我调整，依然能在新环境下精准地治病救人。

这篇论文的意义在于，它打破了“新数据必须重新人工标注”的昂贵壁垒，让 AI 能够更灵活、更经济地适应医学影像中的各种新挑战。

这是一份关于论文《UNSUPERVISED ADAPTATION FROM FDG TO PSMA PET/CT FOR 3D LESION DETECTION UNDER LABEL SHIFT》（基于标签偏移的从 FDG 到 PSMA PET/CT 的无监督 3D 病灶检测自适应）的详细技术总结。

1. 研究背景与问题定义 (Problem)

核心挑战：在 PET/CT 影像中，利用深度学习进行自动病灶检测至关重要。然而，针对新示踪剂（如 PSMA）的标注数据稀缺且昂贵，导致在一种示踪剂（如 FDG）上训练的模型难以直接泛化到另一种示踪剂（如 PSMA）上。
域偏移（Domain Shift）的双重性：
1. 协变量偏移（Covariate Shift）：输入图像的外观特征发生变化（不同示踪剂的摄取模式、生理背景不同，如 FDG 在脑/心肌高摄取，PSMA 在唾液腺/肾脏高摄取）。
2. 标签偏移（Label Shift）：这是本文重点解决的问题。FDG 和 PSMA 数据集在病灶大小分布和每个受试者的病灶数量上存在显著差异。
  - 数据观察：PSMA 患者通常包含更多的小病灶，而 FDG 患者则包含更多的大病灶（ $\ge$ 150 cc）。
现有方法的局限：传统的无监督域适应（UDA）通常假设标签分布一致，仅处理外观变化。现有的 UDA 检测方法很少考虑标签偏移，导致在目标域（PSMA）上倾向于预测源域（FDG）风格的病灶（即大且少），从而漏检小病灶或产生偏差。

2. 方法论 (Methodology)

本文提出了一种无监督域适应（UDA）框架，基于自训练（Self-training）策略，将 RetinaNet 检测器从有标签的 FDG 域迁移到无标签的 PSMA 域。核心创新在于显式建模并补偿标签偏移。

2.1 基础架构

骨干网络：采用多模态 3D RetinaNet (M3DRetinaNet)，结合 3D ResNet 和 3D 特征金字塔网络（FPN），输入为堆叠的 PET 和 CT 通道。
训练策略：交替进行有监督学习（在源域 FDG 上）和伪标签学习（在目标域 PSMA 上）。

2.2 关键机制：显式处理标签偏移

为了应对标签分布的变化，作者引入了两个自适应机制：

基于伪标签的锚框形状自适应（Epoch-wise Anchor Size Adaptation）
- 问题：如果锚框（Anchor）尺寸与目标域病灶尺寸差异过大，会导致回归误差大。
- 方法：
  - 在每一轮训练（Epoch）中，利用选定的 PSMA 伪标签框进行 $k$ -means 聚类，重新估计目标域的病灶尺寸中心。
  - 使用**指数移动平均（EMA）**更新锚框集合： $s^{(r)}_k \leftarrow (1-\beta)s^{(r-1)}_k + \beta \tilde{s}^{(r)}_k$ 。
  - 效果：动态调整锚框以覆盖更多 PSMA 中的小病灶，稳定边界框回归。
先验引导的伪标签选择（Prior-guided Pseudo-label Selection）
- 问题：传统的固定置信度阈值或 Top-k 选择会偏向高对比度、大尺寸的病灶，继承源域的分布偏差。
- 方法：引入两个在线更新的先验知识来指导伪标签筛选：
  - 每例预算（Per-subject Budget）：基于 EMA 估计的目标域平均病灶数 $\mu$ ，限制每个病例选出的伪标签数量，防止假阳性过多的病例主导训练。
  - 尺寸密度直方图（Size-density Histogram）：将病灶体积分箱（Bins），维护一个目标域的尺寸分布直方图 $h$ 。
- 分配策略：根据直方图 $h$ 将每例的“预算”分配到不同的尺寸箱（Bin）中。在每个尺寸箱内，按置信度排序并保留前 $n_b$ 个候选框。
- 效果：确保选出的伪标签在数量和尺寸分布上匹配目标域的真实统计特性，而非源域特性。

2.3 交替优化流程

在源域（FDG）上进行有监督训练。
在目标域（PSMA）上进行推理，生成候选框。
利用上述先验（ $\mu$ 和 $h$ ）更新锚框形状和筛选伪标签。
使用筛选后的伪标签在目标域上进行有监督训练。
重复上述过程。

3. 主要贡献 (Key Contributions)

首创性：据作者所知，这是首个针对 3D 体积病灶检测的无监督域适应工作。
标签偏移建模：在传统的协变量偏移基础上，首次提出在 UDA 检测任务中显式处理标签偏移（病灶大小和数量分布的变化）。
自适应伪标签策略：设计了一种新颖的自训练方案，通过自适应估计目标域的锚框尺寸分布和病灶先验，动态调整伪标签选择标准，无需对抗训练或特征对齐，计算效率高。

4. 实验结果 (Results)

数据集：AutoPET 2024 挑战赛数据。
- 源域：501 例 FDG PET/CT（有标签）。
- 目标域：369 例 $^{18}$ F-PSMA PET/CT（其中 258 例用于训练，37 例验证，74 例测试）。
评价指标：平均精度（AP@0.1, 0.25, 0.5）和自由响应受试者工作特征曲线（FROC）。
性能对比：
- Source-only (FDG 直接迁移)：AP@0.1 仅为 0.225，表现很差。
- Ours (UDA + 标签偏移校正)：AP@0.1 提升至 0.613，AP@0.5 提升至 0.417。
- 消融实验：
  - 仅自适应锚框（Anchor adapt）：AP@0.1 提升至 0.607，说明尺寸匹配对检测小病灶至关重要。
  - 仅标签偏移校正（Label shift）：AP@0.1 提升至 0.613，说明控制数量和分布同样关键。
  - 两者结合：达到最佳性能。
- 上限参考：在 PSMA 上微调的模型（Upper-bound）AP@0.1 为 0.729，表明该方法已接近有监督微调的性能。
FROC 分析：校正标签偏移后的模型在任意假阳性率下均显示出更高的灵敏度，特别是在检测小病灶方面表现优异。

5. 意义与结论 (Significance & Conclusion)

临床价值：该方法使得利用大规模已标注的 FDG 数据来辅助新示踪剂（如 PSMA）的病灶检测成为可能，解决了新示踪剂标注数据稀缺的瓶颈。
技术突破：证明了在医学影像检测任务中，仅仅处理外观差异是不够的，必须显式建模目标域的病灶统计特性（大小、数量）。
效率：该方法不需要复杂的对抗训练或多判别器，通过轻量级的自训练和统计先验更新即可实现高效适应，非常适合 3D 医学影像数据。
局限性：依赖于分箱（Binning）的准确性，对于高度聚集的病灶可能表征不足；目前仅针对单类病灶检测。

总结：这篇论文提出了一种高效的无监督域适应框架，通过自适应调整锚框尺寸和基于先验分布的伪标签筛选，成功解决了从 FDG 到 PSMA PET/CT 跨示踪剂检测中的标签偏移问题，显著提升了 3D 病灶检测的精度和鲁棒性。