【AAAI2025】AIF-SFDA: 基于自主信息过滤器的源无关领域自适应用于医学图像分割

解耦领域变异信息（DVI）与领域不变信息（DII）是缓解深度学习算法在实际应用中领域偏移的一个重要策略。然而，在医学环境中，数据收集和隐私问题通常限制了训练数据和测试数据的访问，从而妨碍了现有方法在经验上解耦信息。为了解决这一问题，我们提出了一种基于自主信息过滤器的源无关领域自适应（AIF-SFDA）算法，该算法利用基于频率的可学习信息过滤器自主解耦DVI和DII。信息瓶颈（IB）和自监督（SS）被引入以优化可学习的频率过滤器。IB控制过滤器内的信息流，减少冗余的DVI，而SS则在与特定任务和图像模态对齐的过程中保持DII。因此，自主信息过滤器能够仅依赖目标数据克服领域偏移。我们进行了涵盖各种医学图像模态和分割任务的一系列实验，通过与领先算法的对比和消融研究，展示了AIF-SFDA的优势。代码可在 https://github.com/JingHuaMan/AIF-SFDA 获取。