分而治之并统一：层次化风格校准原型对齐的联邦医学分割

联邦学习使多个医学机构能够在不共享数据的情况下训练全局模型，但来自不同扫描仪或协议的特征异构性仍是主要挑战。许多现有工作试图通过利用模型表示（例如均值特征向量）来纠正本地训练；然而，这些方法常面临两个关键限制：1）不完整的上下文表征学习：当前方法主要关注最终层特征，忽略关键的多层次线索，从而稀释准确分割所必需的上下文。2）层次化风格偏差累积：虽然利用表征可以部分对齐全局特征，但这些方法忽略中间层中的领域特定偏差，允许风格差异在积累并降低模型鲁棒性。为解决这些挑战，我们提出了FedBCS，通过领域不变上下文原型对齐来弥合特征表示差距。具体而言，我们引入了频域自适应风格校准以用于原型构建，这不仅解耦内容-风格表征，还学习最佳风格参数，从而实现更稳健的领域不变原型。此外，我们设计了一种基于上下文的双层原型对齐方法，从编码器和解码器的不同层中提取领域不变原型，并通过上下文信息进行融合，以实现更细粒度的表征对齐。大量实验在两个公开数据集上表明，我们的方法表现出卓越的性能。