具有领域感知动态表示的幻觉域泛化网络，用于医学图像分割

《Computerized Medical Imaging and Graphics》：Hallucinated domain generalization network with domain-aware dynamic representation for medical image segmentation

针对医学图像分割中存在的领域差异导致的性能退化问题，本文提出了一种基于"训练时幻觉，测试时动态表示"的双模块网络架构。通过不确定性感知的动态幻觉模块，利用贝塞尔曲线和通道方差驱动的偏移变量生成具有解剖结构保真的多样化合成图像，有效缓解模型对源域风格的过拟合。同时，领域感知的动态表示模块采用领域统计聚合与动量更新策略，通过全局风格原型与相似权重动态映射输入特征到统一源域风格空间，显著改善测试阶段的域适应能力。实验表明该方法在基金us图像和前列腺MRI数据集上均优于现有方法。

　　在医学影像分析领域，深度学习技术的应用极大地推动了图像分割任务的进展。然而，由于医学影像采集协议的多样性，分割模型在面对未见过的领域时往往表现不佳。这种性能下降的主要原因在于模型对源领域的过度拟合，以及对目标领域动态适应能力的不足。为了解决这一问题，研究者们提出了多种方法，包括领域适应（Domain Adaptation, DA）和领域泛化（Domain Generalization, DG）。其中，DG方法因其无需目标领域数据即可提升模型在未知领域上的泛化能力，成为当前研究的热点。

当前的领域泛化方法虽然在一定程度上缓解了领域偏移（Domain Shift）问题，但在实际应用中仍面临两个主要挑战：一是风格增强的局限性，二是缺乏动态适应机制。现有的方法通常依赖于数据增强技术，如使用傅里叶变换结合不同源领域图像的低频成分来生成风格多样的合成样本。然而，这种方法往往局限于源领域的风格空间，难以有效捕捉未知领域中的风格多样性。此外，传统DG方法主要关注于对多个源领域特征进行对齐，以提高模型对未知目标领域的泛化能力，但这些方法在面对显著的领域偏移时，如由于成像条件或设备差异导致的风格变化，往往表现出较差的适应性。

为了解决上述问题，本文提出了一种新的领域泛化网络架构，称为“幻觉式领域泛化网络（Hallucinated Domain Generalization Network, HDGN）”，该网络结合了“训练时幻觉生成、测试时动态表示”的新思路，旨在提升模型在不同领域上的泛化能力。HDGN的核心模块包括两个部分：不确定性感知的动态幻觉模块（Uncertainty-Aware Dynamic Hallucination, UDH）和领域感知的动态表示模块（Domain-Aware Dynamic Representation, DDR）。这两个模块分别针对训练和测试阶段的特点，设计了不同的策略来应对领域偏移问题。

在训练阶段，UDH模块通过引入不确定性感知的偏移变量，基于通道间方差来估计潜在的领域分布变化，并利用贝塞尔曲线实现图像的自适应变换。这种方法不仅能够生成风格多样的合成图像，还能在一定程度上保留原始图像的解剖结构。通过这种方式，模型在训练过程中可以接触到更多样化的数据，从而减少对源领域风格的依赖，增强其在未知领域的适应能力。

在测试阶段，DDR模块则通过将输入特征与全局风格原型进行匹配，动态地表示输入图像的风格特征。该模块采用领域内统计聚合和动量更新策略，对全局风格原型进行无偏估计，从而避免基于小批量特征统计所导致的领域信息丢失问题。随后，通过计算输入特征与全局风格原型之间的相似性权重，将不同领域的风格特征映射到统一的源领域风格空间中。这种方法使得模型在面对领域偏移时，能够更灵活地调整其表示方式，从而提高分割性能。

为了验证HDGN的有效性，本文在四个异构分布的眼底图像数据集和六个多中心的前列腺MRI数据集上进行了广泛的实验。实验结果表明，HDGN在这些数据集上的表现优于现有的领域泛化方法，特别是在面对风格差异较大的未知领域时，其分割精度和鲁棒性得到了显著提升。此外，该方法在保持原始解剖结构的同时，能够有效应对领域偏移带来的性能下降问题。

医学影像分割作为计算机辅助诊断的重要环节，其准确性直接影响到临床决策的可靠性。传统医学影像分割方法主要依赖于手工设计的特征和规则，但在面对复杂的医学影像数据时，这些方法往往表现不佳。随着深度学习技术的发展，基于卷积神经网络（CNN）的分割方法逐渐成为主流，尤其是在语义分割任务中，深度学习模型能够自动学习图像的特征表示，从而提高分割的精度和效率。然而，深度学习模型在面对领域偏移问题时，其性能往往会受到严重影响。因此，如何提升模型在不同领域上的泛化能力，成为医学影像分割研究中的一个关键挑战。

为了应对这一挑战，研究者们提出了多种领域泛化方法，包括基于元学习（Meta-Learning）的方法和基于解耦表示学习（Disentangled Representation Learning）的方法。这些方法通常通过在训练过程中引入不同领域的数据，使模型能够学习到更具泛化能力的特征表示。然而，这些方法仍然存在一定的局限性，尤其是在面对领域风格差异较大的情况时，模型的泛化能力往往无法达到理想水平。此外，现有的领域泛化方法在生成合成图像时，通常无法充分考虑到目标领域的风格多样性，导致生成的图像与实际应用场景存在一定的偏差。

因此，本文提出了一种新的领域泛化网络架构，HDGN，旨在解决现有方法在风格增强和动态适应方面的不足。该网络通过在训练阶段引入不确定性感知的动态幻觉生成机制，在测试阶段采用动态表示策略，使得模型能够在面对未知领域时，表现出更强的泛化能力。具体而言，UDH模块通过贝塞尔曲线实现图像的自适应变换，并利用不确定性感知的偏移变量来估计潜在的领域分布变化，从而生成风格多样的合成图像。这种方法不仅能够扩展模型的训练数据多样性，还能有效保留原始图像的解剖结构，避免因过度拟合源领域而导致的性能下降。

DDR模块则通过将输入特征与全局风格原型进行匹配，动态地表示输入图像的风格特征。该模块采用领域内统计聚合和动量更新策略，对全局风格原型进行无偏估计，从而避免基于小批量特征统计所导致的领域信息丢失问题。随后，通过计算输入特征与全局风格原型之间的相似性权重，将不同领域的风格特征映射到统一的源领域风格空间中。这种方法使得模型在面对领域偏移时，能够更灵活地调整其表示方式，从而提高分割性能。

在实验部分，本文选择了四个异构分布的眼底图像数据集和六个多中心的前列腺MRI数据集作为测试平台。这些数据集涵盖了不同的成像设备、扫描协议和数据采集机构，具有较高的领域多样性。通过在这些数据集上进行实验，本文验证了HDGN在不同领域上的泛化能力。实验结果表明，HDGN在这些数据集上的分割性能显著优于现有的领域泛化方法，尤其是在面对风格差异较大的未知领域时，其分割精度和鲁棒性得到了显著提升。

此外，本文还分析了HDGN在不同应用场景下的适用性。在医学影像分割任务中，模型需要能够处理不同机构、不同设备和不同扫描条件下的图像数据。因此，提升模型的领域泛化能力对于实际应用具有重要意义。HDGN通过引入动态幻觉生成和动态表示策略，不仅能够有效应对领域偏移问题，还能在保持模型性能的同时，减少对目标领域数据的依赖。这种设计使得HDGN在实际部署中更加灵活和实用。

总的来说，本文提出了一种新的领域泛化网络架构，HDGN，通过在训练阶段引入不确定性感知的动态幻觉生成机制，在测试阶段采用动态表示策略，显著提升了医学影像分割模型在不同领域上的泛化能力。实验结果表明，HDGN在多个异构数据集上的表现优于现有方法，具有较高的应用价值。未来的研究可以进一步探索HDGN在其他医学影像任务中的适用性，以及如何优化其在不同领域间的适应性。此外，还可以考虑将HDGN与其他深度学习技术相结合，以进一步提升模型的性能和鲁棒性。