面向医学影像分割的解剖结构鲁棒与特征无偏域泛化（ARFU）框架研究

　　本文针对医学影像单源域泛化（SSDG）中存在的形态偏差与特征偏差问题，创新性地提出解剖结构鲁棒与特征无偏（ARFU）框架。通过形状正则化引导增强（SRG）与解剖先验引导增强（APG）协同生成解剖合理、风格多样的训练数据，并利用特征无偏学习（FUL）模块在频域动态抑制域敏感噪声，显著提升模型在跨模态（如CT/MRI）与跨序列（如bSSFP/LGE）任务中的泛化性能。

　　

亮点

1）我们设计了解剖结构鲁棒的数据增强策略以系统应对多层面形状偏差。该方法融合了形状正则化引导增强（SRG）以在外观变换中保持全局解剖完整性，以及解剖先验引导增强（APG）通过学习合理形态分布并利用精确器官掩码培养外观无关的解剖判别能力。

2）我们开发了特征无偏学习（FUL）模块以缓解表征层面偏差。该模块通过协同扰动不确定性特征并在频域动态过滤域敏感成分，增强网络鲁棒性并促进域不变学习。

3）结合这些策略，我们的解剖结构鲁棒与特征无偏框架在两项挑战性SSDG分割任务中实现卓越性能，展现出其优越的泛化能力。

讨论与局限性

本研究提出用于医学分割单源域泛化的解剖结构鲁棒与特征无偏（ARFU）框架。从方法论角度，ARFU创新性地将域偏移问题解耦为两个独立挑战：由不同采集协议或人群差异引发的形状偏差，以及网络学习混淆上下文导致的特征偏差，分别由ARFU（含SRG与APG模块）和FUL模块解决。尽管在腹部和心脏任务中表现优异，但ARFU的增强策略仍依赖源域标注质量，且未显式建模病理引起的形态变化。未来工作将探索更全面的形状先验整合与动态频率滤波机制。

结论

本研究开发了解剖结构鲁棒与特征无偏（ARFU）框架以解决分割模型在新临床环境中的性能衰减问题。在数据层面，我们引入解剖鲁棒策略系统应对多层面形状偏差，该模块协同整合形状正则化引导增强（SRG）以保持全局解剖完整性，与解剖先验引导增强（APG）通过在合理器官形态分布上训练模型，培养外观无关的解剖判别能力。在表征层面，特征无偏学习（FUL）通过扰动不确定特征和频域动态过滤，有效抑制域敏感噪声并强化域不变表征学习。在跨模态腹部和跨序列心脏分割任务上的大量实验表明，ARFU相比现有方法具有显著优越的泛化性能。