FDG PET/CT에서 PSMA PET/CT로의 비지도 적응: 레이블 변화 하에서의 3차원 병변 검출

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

본 연구에서는 레이블이 있는 FDG PET/CT 데이터로 학습된 검출기를 레이블이 없는 PSMA PET/CT 데이터에 적용하는 비지도 도메인 적응(UDA) 프레임워크를 제안합니다. 단순한 공변량 변화 외에도, 서로 다른 추적자를 사용하는 경우 병변 크기 분포와 피험자당 병변 개수 측면에서 레이블 변화가 발생합니다. 이러한 레이블 변화를 명시적으로 모델링하고 보상하기 위해 두 가지 메커니즘을 사용한 자기 학습 방법을 도입합니다. 첫째, 선택된 가짜 레이블로부터 목표 도메인의 바운딩 박스 크기를 재추정하고, 지수 이동 평균을 사용하여 앵커를 업데이트하여 검출 앵커의 모양을 적응적으로 조정합니다. 이를 통해 작은 PSMA 병변에 대한 긍정적인 앵커 범위를 넓히고 바운딩 박스 회귀의 안정성을 높입니다. 둘째, 가짜 레이블 선택을 위한 고정된 신뢰도 임계값을 사용하는 대신, 목표 도메인의 병변 부피 히스토그램을 추정하여 크기 구간별 할당량을 설정합니다. 제안된 방법은 AutoPET 2024 데이터셋에서 501개의 레이블된 FDG 데이터와 369개의 $^{18}$F-PSMA 데이터를 사용하여, 소스 데이터만 사용한 기준 모델 및 레이블 변화 완화 없이 자기 학습을 수행하는 기존 방법보다 AP 및 FROC 성능을 향상시켰습니다. 이는 목표 병변의 발생 빈도 및 크기 분포를 모델링하는 것이 강력한 교차 추적 검출을 위한 효과적인 방법임을 시사합니다.

In this work, we propose an unsupervised domain adaptation (UDA) framework for 3D volumetric lesion detection that adapts a detector trained on labeled FDG PET/CT to unlabeled PSMA PET/CT. Beyond covariate shift, cross tracer adaptation also exhibits label shift in both lesion size composition and the number of lesions per subject. We introduce self-training with two mechanisms that explicitly model and compensate for this label shift. First, we adaptively adjust the detection anchor shapes by re-estimating target domain box scales from selected pseudo labels and updating anchors with an exponential moving average. This increases positive anchor coverage for small PSMA lesions and stabilizes box regression. Second, instead of a fixed confidence threshold for pseudo-label selection, we allocate size bin-wise quotas according to the estimated target domain histogram over lesion volumes. The self-training alternates between supervised learning with prior-guided pseudo labeling on PSMA and supervised learning on labeled FDG. On AutoPET 2024, adapting from 501 labeled FDG studies to 369 $^{18}$F-PSMA studies, the proposed method improves both AP and FROC over the source-only baseline and conventional self-training without label-shift mitigation, indicating that modeling target lesion prevalence and size composition is an effective path to robust cross-tracer detection.