语义数据增强强化医学图像领域泛化的不变风险最小化
计算机视觉与模式识别
2025-12-11 v2
摘要
深度学习在医学图像分类方面取得了显著的成功。然而，其临床应用常受数据异质性的制约，这种异质性由扫描设备厂商、影像协议以及操作员的差异导致。诸如不变风险最小化（Invariant Risk Minimization, IRM）等方法旨在解决分布外泛化挑战。例如，VIRM 通过解决特征支持重叠不足的问题，对 IRM 进行改进，展现出良好的潜力。然而，这些方法在医学影像中受到限制，主要源于标注数据稀缺以及数据增强策略效率低下。为此，我们提出一种新颖的领域导向的方向选择器，以取代 VIRM 中使用的随机增强策略。该方法利用领域间协方差作为引导方向，将数据增强引导 toward 目标领域。这种方法有效减少了领域间的差异，增强了泛化性能。在多中心糖尿病视网膜数据集上的实验表明，我们的方法在有限数据条件和显著领域异质性下，优于现有的领先方法。
引用
@article{arxiv.2502.05593,
title = {Semantic Data Augmentation Enhanced Invariant Risk Minimization for Medical Image Domain Generalization},
author = {Yaoyao Zhu and Xiuding Cai and Yingkai Wang and Yu Yao and Xu Luo and Zhongliang Fu},
journal= {arXiv preprint arXiv:2502.05593},
year = {2025}
}