菲伊斯塔:基于富里埃的语义增强与不确定性指导,用于医疗图像细分中的增强域概括性
IEEE transactions on neural networks and learning systems
|November 3, 2025
概括
FIESTA是一种基于富里埃的语义增强方法,它改进了用于医学图像细分的单源域概括. 它通过操纵频率组件并专注于模两可的区域来增强模型适应多样化的数据.
科学领域:
- 医学图像分析 医学图像分析
- 计算机视觉 计算机视觉
- 人工智能的人工智能
背景情况:
- 医疗图像细分 (MIS) 中的单源域泛化 (SDG) 面临着未见的目标域的挑战.
- 对于MIS的SDG中现有的数据增强方法经常忽略关键的细节和不确定的区域,导致细分错误.
研究的目的:
- 引入FIESTA,一种基于富里埃的语义增强方法,带有不确定性指导 (UG).
- 通过解决当前方法的局限性,在可持续发展目标背景下提高MIS绩效.
主要方法:
- FIESTA使用福里埃增强变压器 (FAT) 在频域中操纵振幅和相位元件.
- FAT执行语义振幅调制,并利用相频谱进行结构连贯性.
- 不确定性估计微调增量,专注于模两可的领域.
主要成果:
- 在三个跨领域的场景中,FIESTA表现出优异的细分性能.
- 该方法显著超过了最先进的可持续发展目标方法.
- 观察到,模型能够更好地适应各种增强数据,并专注于高度模两可的区域.
结论:
- 菲伊斯塔通过利用富里埃转换属性,为MIS中的SDG提供了一个强大的解决方案.
- 拟议的方法提高了细分精度和模型概括能力.
- 菲斯塔显示了改善医学成像分析应用的巨大潜力.

