面向领域泛化医学图像分割的特征增强语义方向学习
计算机视觉与模式识别
2025-08-01 v1
摘要
医学图像分割在临床工作流程中发挥着关键作用，但当模型应用于未见过的临床领域时，领域偏移往往导致性能下降。这一挑战源于成像条件、扫描仪类型和采集协议的差异，限制了分割模型的实际部署。与自然图像不同，医学图像在不同患者间通常表现出一致的解剖结构，其领域特异性变化主要由成像条件引起。这一独特特征使得医学图像分割尤为具有挑战性。为应对这一挑战，我们提出了一种针对医学图像分割量身定制的领域泛化框架。该方法通过引入由领域统计量引导的隐式特征扰动，提高了对领域特异性变化的鲁棒性。具体而言，我们采用可学习的语义方向选择器和基于协方差的语义强度采样器，在调制领域变异特征的同时保留与任务相关的解剖一致性。此外，我们设计了一种自适应一致性约束，仅在特征调整导致分割性能下降时选择性地应用。该约束鼓励调整后的特征与原始预测对齐，从而稳定特征选择并提高分割的可靠性。在两个公开的多中心基准上的大量实验表明，我们的框架始终优于现有的领域泛化方法，在不同临床领域实现了鲁棒且可泛化的分割性能。
引用
@article{arxiv.2507.23326,
title = {Learning Semantic Directions for Feature Augmentation in Domain-Generalized Medical Segmentation},
author = {Yingkai Wang and Yaoyao Zhu and Xiuding Cai and Yuhao Xiao and Haotian Wu and Yu Yao},
journal= {arXiv preprint arXiv:2507.23326},
year = {2025}
}