DPANet：一种用于连接健康领域中医学图像分割任务的多领域泛化的领域金字塔注意力网络

《ACM Transactions on Computing for Healthcare》：DPANet: Domain Pyramid Attention Network for Domain Generalization on Medical Image Segmentation in Connected Health

Connected Health依赖实时采集与传输的医学数据，医学图像分割是关键数字医疗工具。为解决跨临床场景、模态和设备差异带来的部署难题，本文提出DPANet通过域相似性金字塔注意力机制学习多尺度特征，并设计域原型增强知识迁移能力，最终在脑肿瘤和视网膜分割任务中分别提升1.14%和0.98%的Dice系数。

　　

摘要

连接健康（Connected Health）整合了传感器、移动设备和信息技术，实现了医疗数据的实时采集与传输，为患者提供了更加个性化和高效的医疗服务。在这一背景下，医学图像分割技术作为连接健康中的关键数字医学工具，发挥着至关重要的作用。然而，由于成像方式、患者人群特征和设备特性的固有差异，将其有效应用于各种临床环境和数据源仍然具有挑战性。目前，连接健康需要高度高效的人工智能模型来支持实际医疗应用。模型在多种环境中的通用性具有重要意义。领域泛化（Domain Generalization, DG）已成为应对这些挑战的关键解决方案。以往的研究主要集中在对骨干模型最后一层输出进行领域相似性计算，但忽略了多尺度特征的影响。在本文中，我们提出了一种领域金字塔注意力网络（Domain Pyramid Attention Network, D PANet），旨在将知识从源领域转移到未见过的领域，以实现多尺度层面的医学图像分割。总体目标是通过这种创新的知识转移机制提高连接健康系统的效率。D PANet通过领域相似性金字塔注意力模块（Domain Similarity Pyramid Attention Module, DSPAM）能够学习两种领域之间的多尺度相似性。我们还设计了领域原型（Domain Prototypes, DP），以提高从源领域预提取知识的灵活性，从而增强知识的可转移性。采用了一种简单的融合方法来合并多尺度特征，用于最终的图像分割预测。D PANet在脑肿瘤分割和视网膜眼底分割任务上进行了评估，分别在这两项任务上实现了平均Dice分数提升1.14%和0.98%。