LangDAug：用于医学图像分割多源域泛化的 Langevin 数据增强

由于种种原因，医学图像分割模型通常难以在不同域之间泛化。域泛化（DG）方法通过表征学习或数据增强（DAug）来克服这一问题。表征学习方法寻找域不变特征，但通常依赖特定技巧且缺乏形式化保证。DAug 方法通过合成样本丰富模型表征，已表现出与表征学习方法相当或更优的性能。我们提出了 LangDAug，一种用于 2D 医学图像分割多源域泛化的新型 $\textbf{Lang}$evin $\textbf{D}$ata $\textbf{Aug}$mentation（Langevin 数据增强）。LangDAug 利用通过对比散度训练的基于能量的模型（EBM）在源域之间进行遍历，通过 Langevin 动力学生成中间样本。理论分析表明，LangDAug 会引发正则化效应，对于 GLM，它将 Rademacher 复杂度的上界限制为数据流形的本征维数。通过在 Fundus 分割和 2D MRI 前列腺分割基准上的大量实验，我们表明 LangDAug 优于最先进的域泛化方法，并有效补充了现有的域随机化方法。我们方法的代码库可在 https://github.com/backpropagator/LangDAug 获取。