在数据稀缺的医学图像分割中合并数据时，可交换性是否优于独立同分布来处理数据分布偏移？

数据稀缺是医学成像中的一个主要挑战，特别是对于深度学习模型。虽然数据合并（合并来自多个来源的数据集）和数据添加（从新数据集中添加更多数据）已被证明能提高模型性能，但它们并非没有复杂性。具体而言，通过合并或添加来增加训练数据集的大小会诱发分布偏移，对下游模型性能产生负面影响，这种现象被称为“数据添加困境”。虽然传统的独立同分布 (i.i.d.) 假设在多源背景下可能不成立，但假设跨数据集的可交换性为数据合并提供了一个更实用的框架。在这项工作中，我们研究了这些条件下的医学图像分割，借鉴因果框架的见解，提出了一种控制深度网络所有层中前景-背景特征差异的方法。这种方法改善了特征表示，这在数据添加场景中至关重要。我们的方法在五个数据集（包括我们整理并贡献的一个新型超声数据集）的组织病理学和超声图像上实现了最先进的分割性能。定性结果表明，与三种模型架构上的突出基线相比，分割图更精细且更准确。