Jun, 2024

FIESTA: 基于傅里叶变换的不确定性引导下的语法增强方法，用于提升医学图像分割的领域通用性

PDF
TL;DR本文提出一种基于 Fourier 的语义增强方法 FIESTA，利用不确定性指导增强过程，通过操纵频率域中的振幅和相位组件来增强医学图像分割的基本目标，在单源域通用性的背景下，通过调整有意义的角点来引入相关变化，利用相位光谱确保结构的一致性。此外，FIESTA 使用先验不确定性来优化增强过程，提高模型适应多样化增强数据和集中处理高不确定性区域的能力。在三种跨领域场景的大量实验中，显示 FIESTA 在分割性能上超过了最近的最先进的单源域通用方法，并显著促进了模型在医学成像模态中的适用性。
single-source domain generalizationmedical image segmentationfiestauncertainty guidanceaugmentation process
发现论文，激发创造
  • FDA: 用于语义分割的傅里叶域自适应

    本论文描述了一种简单的无监督领域适应方法，通过交换低频谱来减少源和目标分布之间的差异，该方法在语义分割中实现了最新的性能，并且不需要对离散领域选择变量进行不变的神经网络背骨的敌对优化。

    Apr, 2020

  • 基于混频单一源跨领域泛化的医学图像分割

    通过分析频率在域差异中的影响，Frequency-mixed Single-source Domain Generalization method (FreeSDG) 利用混合频谱增强单源域，同时在域增强中构建自我监督来学习上下文感知的鲁棒表示，从而提高分割模型的泛化能力。实验证明了该方法的有效性，并显著改进了分割模型的泛化能力，对于提升医学图像分割模型的泛化能力，尤其是在数据标注稀缺时，FreeSDG 提供了一个有前途的解决方案。

    Jul, 2023

  • 基于 Fourier 的领域泛化框架

    本文提出了一种基于傅里叶的领域泛化新视角，通过开发一种称为幅度混合的新型傅里叶数据增强策略，来强制模型捕获高级语义信息，同时在原始图像与增强图像之间引入了一种双重一致性损失方法，取得了领域泛化的最新成果并显著提高了性能。

    May, 2021

  • 通过随机幅度混合和领域特定图像恢复实现可推广的医学图像分割

    本文提出了一种基于多任务学习的新型医学图像分割方法，涵盖了领域特定图像修复和随机振幅 Mixup 技术，并引入语义一致性损失来抵抗域漂移，取得了公共基准测试中业界领先的结果。

    Aug, 2022

  • 面向域泛化的语义感知混合

    该研究提出了一种基于语义的混合策略（SAM）来解决深度神经网络在遇到未知目标域时的泛化问题，在傅里叶谱的启示下，SAM 将混合策略应用于傅里叶相位和振幅信息，有效地提高了图像分类任务的准确性。

    Apr, 2023

  • 傅立叶变换和软阈值化的领域泛化

    基于傅里叶变换的域泛化方法利用软阈值函数增强了视网膜底图像分割的性能，提高了神经网络模型在不同源领域下的泛化能力。

    Sep, 2023

  • 基于课程的增强 Fourier 领域自适应方法用于稳健的医学图像分割

    本文提出了一种基于课程学习策略和链式数据增强的傅里叶域自适应方法，用于解决医学图像分割模型在不同域之间性能下降的问题。实验证明该方法在多个任务中表现出显著的自适应和泛化性能。

    Jun, 2023

  • MoreStyle: 广义医学图像分割中基于傅里叶的图像重建的低频约束放松

    通过引入一种数据增强的插件模块 MoreStyle，该研究通过放宽傅里叶空间中低频约束来增加图像样式的多样性，并引入对抗学习进一步扩展样式范围，并在潜在特征中找到最复杂的样式组合，从而有效地帮助实现良好的领域普适性，有潜力进一步提升一些先进的 SDG 方法的性能。

    Mar, 2024

  • 增强半监督领域通用医学图像分割的伪标签质量

    本文章提出了一种新颖的基于置信度的跨伪监督学习算法，用于在医学图像分割任务中增强未标记数据的伪标签质量并进行域自适应。该方法可在不使用域标签的情况下，提高 Dice-score 性能，超过使用域标签的先前研究成果。

    Jan, 2022

  • 基于傅里叶变换的领域自适应框架

    使用傅里叶方法（FTF）改善无监督领域适应性，通过融合傅里叶域中源域和目标域的振幅，将目标域的低级信息有效地整合到源域中，并引入相关性对齐的概念进一步调整多源数据，以实现卓越的性能。

    Mar, 2024