5、医学图像分割与单域泛化的创新方法

医学图像分割与单域泛化的创新方法

1 单域泛化的 ASPECTS 方法

1.1 方法概述

在单域泛化任务中，提出了一种基于傅里叶变换的自发幅度谱多样化（ASPECTS）方法。该方法的核心假设是，傅里叶变换后图像的相位谱包含高层语义信息（域不变信息），而幅度谱主要包含域变体信息。基于此，通过编辑幅度谱来生成对抗样本，以提高模型在单源域上的泛化能力。

1.2 数据增强与单域泛化的区别

数据增强和单域泛化都旨在扩充训练集以获得更鲁棒的深度学习网络，但二者存在明显区别：
- 数据增强 ：目标是防止模型在训练集上过拟合，提高模型在同一域测试集上的泛化能力。合成的图像（如通过裁剪和旋转）在视觉上与源域相似。
- 单域泛化 ：生成样本以提高模型在未见目标域上的泛化能力。合成的图像在视觉上可能与源域不同。

1.3 离散傅里叶变换

ASPECTS 方法主要基于离散傅里叶变换（DFT）。给定图像 (x \in R^{H×W})（其中 (H) 和 (W) 分别为图像的高度和宽度），DFT 可表示为：
[F(x) = \sum_{h=0}^{H - 1} \sum_{w=0}^{W - 1} x(h, w)e^{-j2\pi(\frac{h}{H}u + \frac{w}{W}v)}]
其中 ((u, v)) 是频率空间中的坐标。相应地，幅度谱和相位谱可表示为：
[A(u, v) = \sqrt{R^2(u, v) + I^2(u, v)}]
[P(u, v) = \arctan(\frac{I(u