频率先验引导匹配：面向通用半监督结肠息肉分割的数据增强方法

自动化结肠息肉分割对于早期诊断结直肠癌至关重要，但由于标注数据有限以及在域迁移下的显著性能下降，开发稳健模型仍富有挑战性。虽然半监督学习（SSL）可减少标注需求，但现有方法依赖通用数据增强，忽视息肉特定结构属性，导致在新影像中心和设备上泛化性能差。为此，我们提出频率先验引导匹配（FPGM），这是一种基于关键发现的新型数据增强框架：息肉边缘在不同数据集中展现出惊人的一致频率特征。FPGM 首先从标记息肉的边缘区域学习域无关频率先验，然后对无标签图像进行原则化谱扰动，将其振幅谱与所学先验对齐，同时保留相位信息以维持结构完整性。这种针对性的对齐规范化了域特定纹理变化，从而迫使模型学习底层可泛化的解剖结构。基于六个公开数据集的实验表明，FPGM 在十个竞争方法中建立了新的性能最佳记录，展现出超过 10% Dice 系数的数据稀缺场景中的零样本泛化能力。通过显著提升跨域鲁棒性，FPGM 为在有限监督条件下实现临床可部署的息肉分割提供了强大解决方案。