基于层次噪声引导的选择性小波重建用于鲁棒医学图像分割
计算机视觉与模式识别
2025-11-21 v1 图形学
摘要
临床部署要求分割模型在分布迁移和扰动下保持稳定。主流解决方案是对抗训练（AT）以提高鲁棒性；然而，AT常带来干净-鲁棒性权衡和高训练/调优成本，限制了医学影像的可扩展性和可维护性。我们提出基于层次噪声引导的选择性小波重建（LNG-SWR）。在训练期间，我们在多个层面注入小幅零均值噪声，以学习频率偏见先验，引导表征远离噪声敏感方向。随后，我们应用先验引导的选择性小波重建作用于输入/特征分支，以实现频率适应：抑制噪声敏感频段，增强方向结构和形状线索，稳定边界响应，同时保持光谱一致性。该框架与主干网络无关，额外推理开销低。它可作为对抗训练的插件式增强，亦可在无对抗训练的情况下提高鲁棒性。在CT和超声数据集上，遵循统一的PGD-和SSAH协议，LNG-SWR在干净Dice/IoU上实现持续性提升，并显著降低在强对抗攻击下的性能下降；将LNG-SWR与AT组合可获得叠加性提升。当与对抗训练结合时，鲁棒性进一步提高且不牺牲干净准确性，表明该方法为医学图像鲁棒分割提供了简单、有效且工程友好的路径，适用于对抗和标准训练 regimes。
引用
@article{arxiv.2511.16162,
title = {Layer-wise Noise Guided Selective Wavelet Reconstruction for Robust Medical Image Segmentation},
author = {Yuting Lu and Ziliang Wang and Weixin Xu and Wei Zhang and Yongqiang Zhao and Yang Yu and Xiaohong Zhang},
journal= {arXiv preprint arXiv:2511.16162},
year = {2025}
}