近日，我院博士后程志明作为第一作者在人工智能领域顶级期刊《Neural Networks》发表题为“Dynamic domain generalization for medical image segmentation”的研究论文（https://doi.org/10.1016/j.neunet.2024.107073）。

论文的第一作者为通信工程学院博士后程志明，合作导师为我校颜成钢教授和王帅研究员，合作者为北卡罗来纳大学教堂山分校刘明霞教授。该论文由杭州电子科技大学和北卡罗来纳大学教堂山分校合作完成。

该研究主要关注面向医学图像分割的领域泛化问题。基于领域泛化的医学图像分割（DGMIS）旨在通过从来自多个源领域的标注完备数据中学习，提高分割模型在不可见目标领域上的泛化性能。尽管传统的DGMIS方法已取得一定进展，但仍面临一些挑战。首先，大多数DGMIS方法依赖静态模型对未见目标领域进行推断，缺乏动态适应不同目标领域样本的能力。其次，当前的DGMIS方法通常使用傅里叶变换从全局角度模拟目标领域的数据风格，但仅依赖全局变换进行数据增强，未能充分捕捉目标领域的复杂性和局部细节。

为解决上述问题，该研究提出了一种动态领域泛化（DDG）方法，通过动态调整模型参数并有效模拟目标领域风格，提升模型在不可见目标领域上的泛化能力。具体而言，该研究设计了一个动态位置传输（DPT）模块，该模块将模型参数解耦为静态和动态组件，并结合位置编码信息，从而实现高效特征表示并动态适应目标领域特征。此外，该研究引入了一个全局-局部傅里叶随机变换（GLFRT）模块，该模块同时考虑样本的全局和局部风格信息。通过使用随机风格选择策略，大幅增强了样本的多样性，并有效降低了模型训练的计算成本。

实验结果表明，该研究在多个公共医学图像数据集上超越了现有最先进的方法，在Fundus数据集（1,060张视网膜图像）、Prostate数据集（1,744张T2加权MRI扫描）和SCGM数据集（551张MRI切片）上分别获得了0.58%、0.76%和0.76%的平均Dice得分提升。

杭州电子科技大学“智能信息处理”实验室 (HDU IIPLab)主任为颜成钢教授。实验室现有在职教师50余名，含5位国家级人才及多位省级人才。现有硕博生200余名，毕业生多就职于阿里巴巴、腾讯、字节跳动、海康威视、华为、网易等国内知名企业。实验室为学校交叉创新团队，拥有自由开放的学术氛围和国际前沿的研究方向。实验室采用与海内外知名高校、研究所（清华大学、北京大学、中国科学院、美国北卡罗来纳大学教堂山分校、澳大利亚悉尼科技大学等）联合培养制，长期致力于智能信息处理方面的研究，主要研究方向包括：机器学习、模式识别、计算机视觉、计算机图形学、医学影像处理、生物信息学等。