RaffeSDG：基于随机频率滤波的单源域泛化医学图像分割
计算机视觉与模式识别
2026-01-06 v3
摘要
当源数据与目标数据之间存在域偏移时，深度学习模型在进行准确推理时常面临挑战。由于医疗数据的专业性和私密性导致标注数据稀缺，这一问题在临床环境中尤为突出。尽管已探索了多种跨域策略，包括在保持语义的同时改变外观的基于频率的方法，但许多方法仍受到数据限制和计算成本的制约。为了应对数据稀缺医疗场景中的域偏移，我们提出了一种基于随机频率滤波的单源域泛化算法（RaffeSDG），该算法有望在单源域上训练分割模型，实现稳健的域外推理。首先提出了一种基于频率滤波器的数据增强策略，通过在频率空间引入变化并混合同源样本，促进单源域内的域多样性。随后，还利用基于高斯滤波器的结构显著性来学习增强样本间的稳健表示，进一步促进可泛化分割模型的训练。为了验证 RaffeSDG 的有效性，我们在由四种不同模态成像的三种人体组织的分割任务上进行了广泛的域外推理实验。通过深入的调查和比较，这些实验中观察到了令人信服的证据，证明了 RaffeSDG 的潜力和泛化能力。代码可在 https://github.com/liamheng/Non-IID_Medical_Image_Segmentation 获取。
引用
@article{arxiv.2405.01228,
title = {RaffeSDG: Random Frequency Filtering enabled Single-source Domain Generalization for Medical Image Segmentation},
author = {Heng Li and Haojin Li and Jianyu Chen and Mingyang Ou and Hai Shu and Heng Miao},
journal= {arXiv preprint arXiv:2405.01228},
year = {2026}
}