基于多尺度注意力中多频率的模态无关域泛化医学图像分割

深度神经网络的泛化能力在医学图像分割中起着关键作用。然而，基于深度学习的医学图像分析往往忽视了频率变化的重要性，而频率变化是实现模态无关和域泛化模型的关键要素。此外，各种模型未能考虑到深度监督下多任务学习可能引起的信息丢失，这一因素会损害模型的表示能力。为解决这些挑战，我们提出了一种用于医学图像分割的模态无关域泛化网络（MADGNet），该网络包含两个关键组件：多尺度注意力中的多频率（MFMSA）模块和集成子解码模块（E-SDM）。MFMSA 模块通过融合多频率和多尺度特征，改进了空间特征提取过程，特别是在捕获边界特征方面，从而为组织轮廓和解剖结构提供信息线索。此外，我们提出了 E-SDM，以减轻深度监督下多任务学习中的信息丢失，尤其是在从低分辨率进行大幅上采样时。我们在六种模态和十五个数据集上评估了 MADGNet 的分割性能。通过大量实验，我们证明 MADGNet 在各种模态下始终优于最先进的模型，展现出卓越的分割性能。这证实了 MADGNet 是一种在多样化成像场景中表现出色的医学图像分割鲁棒解决方案。我们的 MADGNet 代码可在 GitHub 链接获取。