論文要約：Rethinking Data Augmentation for Single-source Domain Generalizat

Rethinking Data Augmentation for Single-source Domain Generalization in Medical Image Segmentation

概要

globalと（クラス毎の）localで別々に異なる強度でaugmentationを適用し（Location-scale Augmentation）、saliency mapに基づいて融合する（Saliency-balancing）、Saliency-balancing Location-scale Augmentation(SLAug)を提案。シングルドメイン汎化タスクでSOTAより大幅に優位。

書誌情報

2022/11/27
Zixian Su、他
リバプール大学、他
https://arxiv.org/abs/2211.14805

背景

医療画像でドメインシフトは一般的であり、シングルドメイン汎化（Single-source domain generalization、SDG）は必須。
従来のaugmentationは、globalかつランダムで、多様性・情報量が不足しており、ターゲットドメインををカバーできていなかった。

方法

未知のターゲットデータは、location-scaleの分布の、クラス数の確率変数の線形結合からサンプリング可能と仮定。

Location-scale Augmentationを提案。Location-scale AugmentationはGlobal Location-scale Augmentation（GLA）とLocal Location-scale Augmentation（LLA）で構成。画素値の最大値と最小値を3次ベジエ曲線で変換。GLAとLLAを線形結合で融合。Global Location-scale Augmentation（GLA）は小さく変化させ、Local Location-scale Augmentation（LLA）は大きく変化させる。これによりaugmentationの多様性を大幅に向上させる。

Saliency-balancing Fusion（SBF）を提案。saliency mapを算出。GLA画像にsaliencyをかけ、LLA画像に逆saliencyをかけ、線形結合。適切な方向と大きさのaugmentationへの勾配情報に基づいて情報量を追加。

Location-scale AugmentationとSaliency-balancing Fusion（SBF）を組み合わせた、Saliency-balancing Location-scale Augmentation（SLAug）を提案。

EfficientNet-b2とU-Netを利用。GLA画像、融合画像両方を学習。

結果

2つのSGDタスクで、SOTAより大幅に優位。
汎化性に有益な領域の変化を大きくすることが可能。