PhaseAT：用于医学图像域泛化的傅里叶相位对抗训练

arXiv:2610.01807v1 发布类型：cross 摘要：扫描仪、采集地点和采集协议之间的分布偏移阻碍了深度医学图像模型的可靠临床部署。现有的域泛化（DG）方法通常侧重于风格或强度多样化，但仍可能使网络依赖于特定域的纹理相关性。受傅里叶相位编码语义结构这一证据的启发，我们提出了 PhaseAT，一种面向医学域泛化的相位感知对抗训练框架。PhaseAT 在傅里叶域中构建相位扰动的训练视图，通过迭代更新有界的相位扰动，同时保持幅度谱不变，从而在外观统计相匹配的情况下，强化对空间组织结构的学习。为避免产生色彩伪影，扰动仅应用于 YCbCr 色彩空间中的亮度通道。此外，我们设计了一个简单的相位显著性掩码，将更新集中于影响最大的频率上。模型通过对干净样本和相位扰动样本上的损失进行加权组合来训练，同时支持单源和多源域泛化。我们在两个具有挑战性的医学数据集上验证了该方法，结果表明，PhaseAT 在单源域泛化方面取得了超过 20% 的提升，优于多种最先进的 DG 方法。代码实现地址：https://github.com/ahmed-sharshar/PhaseAT。