PyTorchKR Papers

최신 논문

총 1편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2610.01807v1cs.CV

PhaseAT: 의료 영상 도메인 일반화를 위한 푸리에 위상 적대적 학습

PhaseAT: Fourier Phase Adversarial Training for Medical Image Domain Generalization

스캐너, 촬영 기관 및 획득 프로토콜 간의 분포 변화(distribution shift)는 딥러닝 기반 의료 영상 모델의 신뢰성 있는 임상 적용을 저해합니다. 기존의 도메인 일반화(DG, Domain Generalization) 방법들은 주로 스타일이나 강도 다양화에 초점을 맞추지만, 여전히 네트워크가 도메인 특화된 텍스처 상관관계에 의존하게 만들 수 있습니다. 푸리에 위상(Fourier phase)이 의미론적 구조를 인코딩한다는 점에 착안하여, 본 연구에서는 의료 영상 DG를 위한 위상 인식 적대적 학습(adversarial training) 프레임워크인 PhaseAT를 제안합니다. PhaseAT는 진폭 스펙트럼(amplitude spectrum)을 변경하지 않은 채 경계가 지정된 위상 섭동(phase perturbation)을 반복적으로 업데이트하여 푸리에 도메인에서 위상이 섭동된 학습 뷰를 형성하며, 이를 통해 일치된 외형 통계 하에서 공간적 구성을 강조합니다. 색상 왜곡(chromatic artifacts)을 방지하기 위해 섭동은 YCbCr 색 공간의 휘도 채널에만 적용됩니다. 또한 간단한 위상-돌출성(phase-saliency) 마스크를 통해 가장 영향력 있는 주파수에 업데이트를 집중시킵니다. 이 모델은 원본 샘플과 위상 섭동 샘플에 대한 손실의 가중 결합으로 학습되며, 단일 소스(single-source) 및 다중 소스(multi-source) DG를 모두 지원합니다. 두 가지 까다로운 의료 데이터셋에 대해 본 방법을 검증한 결과, PhaseAT는 단일 소스 도메인 일반화에서 20% 이상의 성능 향상을 달성하여 여러 최신(SOTA) DG 방법들을 능가함을 입증했습니다. 코드 구현체는 https://github.com/ahmed-sharshar/PhaseAT 에서 확인할 수 있습니다.