基于频率的语义增强与不确定性引导在医学图像分割中的提升通用性——FIESTA
图像与视频处理
2025-10-14 v1 计算机视觉与模式识别
机器学习
摘要
医学图像分割（MIS）中的单源域泛化（SDG）旨在仅使用一个源域的数据来分割来自未见目标域的数据。尽管在SDG中进行数据增强取得了显著进展，但现有方法往往未充分考虑MIS中常见的细节和不确定区域，导致误分割。本文提出了一种基于频率的语义增强方法，称为FIESTA，利用不确定性引导来提高在SDG语境下实现MIS基本目标的能力，通过操控频率域中的幅度和相位组件。该提出的频率增强变换器基于有意义的角点进行语义幅度调制，以诱导相关变异，并利用相位光谱确保结构连贯性。此外，FIESTA采用认识论不确定性来微调增强过程，提高模型适应多样化增强数据并集中注意力于高模糊区域的能力。广泛的实验在三个跨域场景下表明，FIESTA在分割性能上超过了最新的SOTA SDG方法，并在医学成像模态的适用性方面显著贡献于提升。
引用
@article{arxiv.2406.14308,
title = {FIESTA: Fourier-Based Semantic Augmentation with Uncertainty Guidance for Enhanced Domain Generalizability in Medical Image Segmentation},
author = {Kwanseok Oh and Eunjin Jeon and Da-Woon Heo and Yooseung Shin and Heung-Il Suk},
journal= {arXiv preprint arXiv:2406.14308},
year = {2025}
}
备注
40 pages, 7 figures, 5 tables