基于重参U-Net与联邦学习的息肉图像域泛化分割
黄柏雄
重庆移通学院綦江校区公共大数据安全重庆重点实验室 重庆 401420
摘要：结直肠息肉的非同域分割对于早期结直肠癌筛查与医师诊断具有重要意义.然而,不同医疗中心采集的内镜图像在成像设备、光照条件、病灶形态及组织结构等方面存在明显差异,导致现有深度学习模型在跨域场景下泛化能力不足.针对上述问题,文章提出一种基于重参数化U-Net与联邦学习的息肉图像域泛化分割算法.该方法以重参数化U-Net作为基础分割模型,在训练阶段引入多分支卷积结构以增强多尺度特征表达能力,并在推理阶段通过重参数化耦合模型的多个分支,以此兼顾推理效率与精度.同时,结合联邦学习框架,在不共享原始数据的前提下实现多中心协同训练,并通过频域幅值模态与对比学习约束引导模型学习域不变结构特征.实验结果表明,在多个公开息肉数据集上的跨域测试中,所提方法在Dice、IoU及HD95等指标上均优于现有主流方法,具有良好的泛化性能与临床应用潜力.
关键词：息肉分割联邦学习域泛化重参数化U-Net频域特征对比学习
论文发表日期：2026-02-25
在线出版日期：2026-05-22（本平台首次上网日期，不代表文献的发表时间）
页数：4( 146-149 )