医图论文 ICML'25 | 医学分割域泛化新方向！LangDAug 借能量模型生成跨域样本，眼底 ...

主要观点总结

本文介绍了ICML'25的最新研究，针对医学图像分割中的多源域泛化问题，提出了一种名为LangDAug的朗之万数据增强技术。该技术通过生成中间域样本，解决了医学影像领域模型训练在不同医院或设备扫描下出现的性能问题。在眼底和前列腺MRI分割任务中，LangDAug超越了所有现有方法，并与现有域随机化方法结合实现了性能提升。

关键观点总结

关键观点1: LangDAug技术介绍

LangDAug是一种朗之万数据增强技术，通过生成中间域样本解决医学图像分割中的多源域泛化问题。

关键观点2: LangDAug的工作原理

LangDAug通过训练领域转换EBM，利用朗之万动力学迭代生成中间样本，从而搭建起领域之间的桥梁。

关键观点3: LangDAug的实验结果

在眼底和前列腺MRI分割任务中，LangDAug超越了所有现有方法，并与现有域随机化方法结合，实现了性能的提升。平均IoU达到78.84%，比次优方法高2.3%；平均DSC比TriD高1.48%。

关键观点4: LangDAug的优势

LangDAug具有通用性、兼容性和有效性，适用于多种医学影像模态和分割任务。它可以通过合成样本丰富数据分布，提高模型的泛化能力。