FVFDSDG：基于频率视角特征解耦与插值的医学图像单源域泛化新框架

本文提出了一种创新的单源域泛化框架FVFDSDG（Frequency View Feature Interpolation and Disentanglement for Single-Source Domain Generalization），通过频率多视角特征解耦、结构频率视角插值（SFVI）策略和注意力机制，有效解决了医学图像分割中的域偏移（Domain Shift）问题。该方法在单一源域训练条件下，在四个目标域上实现了Dice系数最高提升12%的SOTA性能，显著增强了模型在眼底图像分割任务中的跨域泛化能力。

　　

Highlight

领域泛化

领域泛化（Domain Generalization, DG）旨在利用多个源域数据训练模型，减少模型在未见域中的性能衰减，从而提升其在新域中的鲁棒性和泛化能力。常用方法包括图像级数据增强（Data Augmentation）和特征级解耦技术（Disentanglement Techniques）。

主要方法

本文提出了一种解决单源域泛化（Single-Source Domain Generalization, SDG）问题的新方法。训练集表示为：D_S = {(x_Sⁱ, y_Sⁱ) | i = 1, 2, …, n_S}，其中x_Sⁱ是来自源域的第i个样本，y_Sⁱ是其真实标签，n_S是源域训练样本的数量。目标是最小化模型在未见目标域数据集D_T = {(x_Tⁱ, y_Tⁱ) | i = 1, 2, …, n_T}上的预测标签?_Tⁱ与真实标签y_Tⁱ之间的误差。

数据集

DRIVE数据集。³ 包含40张视网膜图像。每张图像分辨率为584 × 565像素，是3通道彩色图像。该数据集包括20张训练图像和20张测试图像。在本文中，我们将20张训练图像划分为15张训练图像和5张测试图像，分别命名为DRIVE_train和DRIVE_test。

CHASE_DB1数据集。⁴ 包含28张彩色眼底图像，分辨率为999 × 960像素。

讨论

本文提出了一种新颖的单域泛化框架FVFDSDG。通过结合频率多视角特征解耦、结构频率视角插值（SFVI）策略和注意力机制，FVFDSDG能有效提取医学图像的多样化特征，增强模型的泛化能力，尤其在复杂的医学图像分割任务中展现出显著优势。

结论

尽管FVFDSDG在医学图像分割任务中取得了显著成就，但仍有许多潜在的改进方向。未来的研究可以进一步探索该框架在其他医学图像任务中的应用，例如肿瘤检测、器官分割等。此外，在处理更多样化和具有挑战性的医学图像时，如何进一步提升其泛化能力和准确性，仍然是一个值得深入探索的问题。

总之，...