磁共振成像中轻量级的傅里叶域自适应

深度学习模型的泛化性可能严重受训练集（源域）与测试集（目标域）分布差异的影响，例如当集合由不同硬件产生时。作为该域偏移的后果，某模型可能在一诊所数据上表现良好，而在部署至另一诊所时失效。我们提出一种极轻量且透明的方法来进行测试时域自适应。其思想是替换被认为反映图像风格的目标低频傅里叶空间分量。为最大化性能，我们实现了“最优风格供体”选择技术，并使用若干源数据点来改变单张目标扫描的外观（多源迁移）。我们研究了域偏移严重程度对该方法性能的影响，并展示我们免训练的方法达到了复杂深度域自适应模型的 SOTA 水平。我们的实验代码已发布。