在医学图像分割中，针对单源领域泛化的频率感知域随机化方法

《MEDICAL PHYSICS》：Frequency-aware domain randomization for single-source domain generalization in medical image segmentation

医学图像单源域泛化方法研究：提出基于傅里叶变换的随机域泛化框架，通过全局结构建模和特征空间扰动解决纹理偏差与增强多样性不足问题，在腹部CT-MRI和跨中心前列腺数据集上验证了提升分割精度和鲁棒性的有效性。

　　

摘要

背景

医学图像分割对临床诊断至关重要，然而当测试数据分布与训练数据不同时，深度学习模型会面临领域迁移（domain shift）的挑战。单源领域泛化（Single-source Domain Generalization，简称DG）作为一种解决方案，通过在单一来源领域训练模型来使其能够泛化到未见的目标领域。当前的单源DG方法采用领域随机化（例如输入/特征空间的扰动）来模拟未见的目标领域，但存在两个主要限制：（1）基于CNN的架构由于其局部处理特性而存在纹理偏差，导致过拟合和泛化能力差；（2）由于仅依赖源特征的扰动以及仅输入或特征的增强，导致对目标领域分布的覆盖不足，从而降低模型的泛化能力。

目的

受到傅里叶变换能够模拟全局依赖关系和分离领域不变特征的能力的启发，我们提出了随机领域泛化（Random Domain Generalization，简称RandDG）方法，这是一种适用于医学图像分割中的单源DG的频率感知领域随机化方法。该方法通过协调输入和特征空间的扰动来增强泛化能力，同时通过频率域中的轻量级架构设计保持参数效率。

方法

所提出的RandDG方法结合了一种新型的全局U形网络（Global U-Shape Network，简称GUNet）分割架构，用于高效建模长距离依赖关系，以及一种均匀低频谱变换（Uniform Low Frequency Spectrum Transform，简称ULoFT）滤波器，用于特征空间的扰动，从而增强领域泛化能力。具体来说，首先，GUNet架构将轻量级编码器与频率域全局滤波相结合，并通过跳跃连接的解码器形成U形结构，利用傅里叶变换捕捉长距离依赖关系，同时最小化参数数量。其次，ULoFT滤波器通过将源低频幅度谱的伯努利混合统计与均匀采样值相结合来扰动特征空间风格，从而减少对源统计的依赖，并扩大潜在目标领域的覆盖范围。第三，双空间随机化框架同时应用输入空间风格增强（通过全局强度非线性增强（Global Intensity Nonlinear Enhancement，简称GIN）滤波器）和特征空间幅度谱扰动（通过ULoFT滤波器），并通过一致性损失进行规范，以强制学习领域不变的表示。

结果

实验在腹部CT-MRI数据集上进行了腹部多器官分割测试，该数据集涵盖了从CT到T2谱预饱和增强（T2-SPIR）MRI的转换；同时也在跨中心的前列腺数据集上进行了前列腺分割测试。所提出的RandDG方法表现出卓越的泛化能力，与竞争方法相比，在对抗领域迁移方面具有显著优势。在未见领域进行测试时，该方法在腹部CT-MRI数据集上的平均dice得分（DSC）为87.96%，平均均方误差（HD）为4.82毫米；在跨中心前列腺数据集上的平均dice得分（DSC）为75.95%，平均均方误差（HD）为8.36毫米。与UNet基线方法相比，该方法在腹部CT-MRI数据集上的平均dice得分提高了10.65%，平均均方误差减少了5.23毫米；在跨中心前列腺数据集上的平均dice得分提高了19.36%，平均均方误差减少了3.39毫米。消融研究证实了所提出的RandDG方法各组成部分的有效性。

结论

所提出的RandDG方法通过频率感知的双空间随机化框架，有效解决了单源DG中存在的纹理偏差和风格多样性有限的关键问题。该方法在实际临床应用中具有很大潜力，因为在临床环境中目标领域数据可能并不总是可用的。

利益冲突声明

作者声明没有利益冲突。