面向医学图像分割的频率混合单源域泛化
图像与视频处理
2023-07-19 v1 计算机视觉与模式识别
摘要
医学图像分割的标注稀缺性给深度学习模型收集充足训练数据带来挑战。具体而言，在有限数据上训练的模型可能无法很好地泛化到其他未见数据域，从而导致域偏移问题。因此，域泛化（DG）被提出以提升分割模型在未见域上的性能。然而，DG 设定需要多个源域，这阻碍了分割算法在临床场景中的高效部署。为应对该挑战并提升分割模型的泛化能力，我们提出一种称为频率混合单源域泛化方法（FreeSDG）的新方案。通过分析频率对域差异的影响，FreeSDG 利用混合频谱来增强单源域。此外，在域增强中构建了自监督以学习用于分割任务的鲁棒上下文感知表示。在三种模态的五个数据集上的实验结果证明了所提算法的有效性。FreeSDG 优于当前最优（state-of-the-art）方法，并显著提升了分割模型的泛化能力。因此，FreeSDG 为增强医学图像分割模型的泛化能力提供了一种有前景的解决方案，尤其在标注数据稀缺时。代码见 https://github.com/liamheng/Non-IID_Medical_Image_Segmentation。
引用
@article{arxiv.2307.09005,
title = {Frequency-mixed Single-source Domain Generalization for Medical Image Segmentation},
author = {Heng Li and Haojin Li and Wei Zhao and Huazhu Fu and Xiuyun Su and Yan Hu and Jiang Liu},
journal= {arXiv preprint arXiv:2307.09005},
year = {2023}
}