MM-MoE：一种面向疾病的多任务多视图框架，用于通用心脏分割

《ACM Transactions on Multimedia Computing, Communications, and Applications》：MM-MoE: A Disease-oriented Multi-Task and Multi-View Framework for Generalized Cardiac Segmentation

心血管疾病导致心脏结构变化易受多源数据采集和图像噪声干扰，传统分割方法面临泛化挑战。本文提出MM-MoE框架，通过多任务MoE专家混合与多视角特征融合网络MVFusion，结合对抗训练和CSS-Attn模块优化细节，显著提升分割精度和跨域泛化性能。

　　

摘要

心血管疾病通常会导致心脏结构发生特定变化，但这些由疾病引起的变化往往不如多源数据采集或图像中的噪声（如图像亮度、对比度和视野范围的波动）所带来的变化那么明显。这使得提取关于器官和疾病的关键细节变得更加困难，给传统的分割和领域泛化方法带来了重大挑战。为了解决这些挑战，我们提出了MM-MoE，这是一个面向疾病的多任务、多视图框架，旨在实现更准确的心脏结构分割。具体来说，我们引入了一种基于专家混合的多任务联合对抗学习策略（MTMoE-J&A），使模型能够学习更具普遍性和领域不变性的疾病特异性特征，并采用多视图特征融合网络（MVFusion）有效整合来自不同视图的互补空间信息，从而提高分割的准确性和完整性。此外，我们还开发了一种并行通道-空间-切片注意力模块（CSS-Attn），以减轻医学图像各向异性带来的关键细节损失。在M&Ms-2数据集上进行的广泛实验表明，MM-MoE在分割泛化性能方面优于现有的最先进的分割模型和领域泛化方法。