一种基于双编码器特征融合的领域泛化医学图像分割方法

本发明公开了一种基于双编码器特征融合的领域泛化医学图像分割方法，用以应对医学图像数据的领域偏移和标注稀缺问题。该方法提出了一个新颖的双编码器U型网络，采用特征融合的思想，主要包含尺度对齐模块、基于Transformer的编码器、基于CNN的编码器、特征融合模块和一个解码器，实现在少标注样本条件下的有效训练。针对提出的双编码器U型网络提出了一个训练策略，通过数据增强与Dropout操作进行扰动，并且使用一致性损失引导模型学习领域不变特征，提升整体方法的泛化能力。本发明在跨领域医学图像分割数据集上，仅使用单个源域的少量标注3D医学图像数据进行训练，在目标域上取得优秀的性能表现，有效应对领域偏移和标注稀缺问题，有着研究意义与实用价值。