深度学习模型在其训练分布的图像上表现良好,当应用于新分布时,可能会大幅下降。 如果 CT 扫描仪引入了训练标签中不存在的新神器,则模型可能会错误地对图像进行分类。 虽然现代CT扫描仪包括减轻这些工件的设计功能,但未预期或难以缓解的工件仍可能在实践中出现。 从这种新发行版中标记图像的直接解决方案可能代价高昂。 作为更易于访问的替代品,本研究评估域适应作为训练模型的方法,尽管存在新的工件,即使没有相应的标签,也能保持分类性能。 我们模拟来自检测器的环状工件在鼻造影空间中增益错误,并根据OrganAMNIST腹部CT数据集上的基线和增强方法评估域对抗神经网络(DANN)。 我们的结果表明,仅对清洁图像进行训练的基线模型无法推广到具有环状工件的图像,而传统的其他失真类型的增强对看不见的工件域没有改进。 相比之下,DANN方法在训练过程中仅使用未标记的神器数据成功地保持了环神器图像的高分类精度,证明了域适应神器健壮性的可行性。 域适应模型实现了环工件测试数据的分类性能,可与明确训练有标记的神器图像的模型相媲美,同时还显示了对均匀噪声的意外概括。 这些发现提供了经验证据,表明域适应可以有效地解决医学成像中的分布变化,而无需昂贵的专家标记新工件分布,这表明在可能出现新工件的临床环境中部署的前景。