RaffeSDG: Random Frequency Filtering enabled Single-source Domain Generalization for Medical Image Segmentation

深度学习模型在源数据和目标数据之间存在领域转移时，往往会遇到精度准确性的挑战。由于医疗数据的专业性和隐私性，导致标注数据的稀缺性，这一问题在临床环境中尤为突出。尽管已经存在一些解决方案，但由于数据采集和计算复杂度的限制，很多解决方案在临床环境中受到了阻碍。为了解决医疗场景中数据稀缺的领域转移问题，我们提出了一种基于随机频率滤波的单源域泛化算法（RaffeSDG），该算法承诺使用在单源域训练的分割模型进行强大的跨域推断。首先提出了一种基于滤波器的数据增强策略，通过在频率空间引入变化和混合同源样本来促进单源域内的领域可变性。然后，基于高斯滤波器的结构显著性也被利用来学习跨增强样本的强大表示，进一步促进了可泛化分割模型的训练。为了验证RaffeSDG的有效性，我们进行了广泛的实验，涉及四种不同模态下三种人类组织的分割任务的跨域推断。通过深入的调查和比较，这些实验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上获得。

解决问题：论文旨在解决医学图像分割中数据稀缺和领域转移的问题，提出了RaffeSDG算法。

关键思路：RaffeSDG算法采用基于滤波的数据增强策略，引入频率空间和样本混合的变化，利用高斯滤波器的结构显著性学习鲁棒的表征，从而在单源域上训练出具有泛化能力的分割模型。

亮点：论文通过在三个人体组织的四种不同成像模态上进行的大量实验，验证了RaffeSDG算法的有效性和泛化性能，并开源了代码。

相关研究：最近的相关研究包括：1.《Domain Generalization for Medical Imaging Segmentation with Incomplete Annotations》；2.《Unsupervised Domain Adaptation for Medical Image Segmentation with a Structure-Constrained Generative Adversarial Network》。