多模态无关的域泛化医学图像分割：基于多尺度注意力的多频特征融合

深度神经网络中的泛化能力在医学图像分割任务中起着至关重要的作用。然而，基于深度学习的医学图像分析方法往往忽视了频率差异的重要性，而这一因素对于构建既具备模态无关性（modality-agnostic）又具备领域泛化能力（domain-generalizable）的模型至关重要。此外，多种现有模型未能充分考虑在深度监督下的多任务学习过程中可能引发的信息损失问题，这一因素会削弱模型的表征能力。为应对上述挑战，本文提出一种模态无关的领域泛化网络（Modality-agnostic Domain Generalizable Network, MADGNet），用于医学图像分割。该网络包含两个核心组件：多尺度多频率注意力模块（Multi-Frequency in Multi-Scale Attention, MFMSA）与集成子解码模块（Ensemble Sub-Decoding Module, E-SDM）。MFMSA模块通过融合多频率与多尺度特征，显著优化了空间特征提取过程，尤其在捕捉边界特征方面表现突出，为组织轮廓与解剖结构提供了更具信息量的判别线索。同时，E-SDM模块旨在缓解深度监督下多任务学习中因大幅上采样（尤其是从低分辨率恢复）所导致的信息损失问题，有效提升特征重建能力。我们在六种成像模态及十五个不同数据集上对MADGNet的分割性能进行了系统评估。大量实验结果表明，MADGNet在多种模态下均持续优于当前最先进的模型，展现出卓越的分割性能。这充分验证了MADGNet作为医学图像分割任务中一种强大且稳健的解决方案，能够在多样化的成像场景中保持优异表现。本文提出的MADGNet代码已开源，可通过GitHub链接获取。