在医学图像分割领域，领域偏移一直是一个亟待解决的挑战。不同医院、成像设备以及操作医生的差异，往往导致图像数据分布的显著变化，这直接影响了模型的性能和准确性。针对这一挑战，本研究提出了一种多级多模型一致性（M2CD）的多源领域自适应（MUDA）方法，旨在有效克服领域偏移带来的负面影响。

通过深入分析多源图像数据的特性，我们能够更好地理解并应对这些分布差异。研究不仅关注如何提高分割准确性，还致力于提升模型在不同临床环境中的适应能力。这一突破为医学图像处理的可靠性和实用性开辟了新的方向，使得临床医生能够在更广泛的应用场景中，依靠自动化技术进行高效准确的图像分析。

02 推想AI具备更强的模型泛化能力

推想医疗的AI产品，已经在全球近30个国家得到广泛应用。这些产品依托于多源领域自适应的核心技术，具备更强的模型泛化能力，能够适应不同医院和设备的图像数据，从而确保在各种实际临床场景下提供稳定、准确的诊断结果。

此项研究，进一步展示了我们在医学影像算法领域的技术领先性。未来，推想将继续深耕AI技术在医学中的应用，推动算法的不断优化与创新，不断提升AI产品的临床转化效果，为全球医疗行业提供更优质的技术解决方案。

03 多源领域自适应实现更加精准的图像分割

M2CD框架能够适用于多个模态的数据，重点解决两个关键问题：一是单个源域与单个目标域之间的分布差异，二是多个源域对于模型的性能是否有益，如果有益，如何处理它们之间的分布差异。

而这篇论文所提出的，是一种基于多级多模型一致性（M2CD）的多源领域自适应方法，一是提出采用多级对抗学习方案来适应单个源领域与目标之间的不同层次特征，以提高分割性能，二是提出了一种多模型一致性损失，以同时将学到的多源知识转移到目标领域利用多种模态进一步提升目标模态的分割性能，三是分析了多源数据在知识迁移中的价值。下图则是具体展示了M2CD框架的图示。

▲多源无监督域自适应医学图像分割框架。对于每对源-目标域，我们设计了一个分割网络和多级鉴别器。具体地说，我们将每对源域和目标域图像传递给分割网络以获得预测输出，其中来自目标域的图像是相同的。一致性模块旨在将来自所有模型学习到的解剖知识转移到目标图像中。鉴别器的目的是保证目标数据的输出形状。