FIESTA: Fourier-Based Semantic Augmentation with Uncertainty Guidance for Enhanced Domain Generalizability in Medical Image Segmentation

本文旨在解决医学图像分割中的单源域泛化问题。单源域泛化是指只使用一个源域的数据来训练模型，然后用于分割未见过的目标域数据。虽然数据增强在单源域泛化中取得了显著进展，但现有方法常常未能充分考虑医学图像分割中普遍存在的细节和不确定性区域，导致分割错误。本文提出了一种基于傅里叶变换的语义增强方法FIESTA，利用不确定性指导来增强单源域泛化中医学图像分割的基本目标，通过操纵频域中的振幅和相位分量。所提出的傅里叶增强变换器根据有意义的角点进行语义振幅调制，以引入相关变化，并利用相位谱确保结构上的一致性。此外，FIESTA利用认知不确定性来微调增强过程，提高模型适应各种增强数据的能力，并集中于具有更高歧义性的区域。在三个跨域场景下的广泛实验表明，FIESTA在分割性能上超过了最近的最先进单源域泛化方法，并显著促进了模型在医学成像模态中的适用性。

提出一种基于傅里叶变换的语义增强方法，名为FIESTA，用于单源域泛化中的医学图像分割。该方法旨在解决现有方法无法充分考虑医学图像分割中存在的细节和不确定区域，导致分割错误的问题。

FIESTA使用傅里叶变换来增强数据，通过操纵频域中的振幅和相位分量来提高模型在单源域泛化中的适应能力。该方法使用了表征有意义的角点的语义振幅调制来引入相关变化，并利用相位谱来保证结构的一致性。此外，FIESTA利用认知不确定性来微调增强过程，提高模型适应各种增强数据的能力，并集中处理具有更高不确定性的区域。

论文通过三个跨域场景的广泛实验表明，FIESTA在分割性能上优于最新的单源域泛化方法，并显著提高了模型在医学成像模态中的适用性。实验使用了公开的数据集，并提供了开源代码。

最近的相关研究包括：1. "Domain Generalization for Medical Imaging Segmentation with Convolutional Neural Networks"; 2. "A Review on Domain Adaptation and Domain Generalization for Medical Image Segmentation"; 3. "Generalizing Deep Learning for Medical Image Segmentation to Unseen Domains via Deep Stacked Transformation"等。