联邦学习（federated learning

FL）使分布式的医疗机构能够在保护隐私的同时协作训练共享模型。然而，如果将联邦学习训练出的模型部署到联邦机构之外的未知领域，其性能仍会下降。本文聚焦于医学图像分割中的联邦领域泛化任务，旨在通过跨多个源域的联邦学习训练一个模型，使其能够直接泛化到未知领域。大多数现有的联邦领域泛化方法采用跨域数据增强来提高泛化能力。然而，这些方法要么在共享单个样本信息时存在潜在的隐私泄露风险，要么在推理阶段缺乏灵活性，导致目标图像无法自适应地利用源域特征。为了解决上述2个问题，本文提出了FedSA，一种基于振幅采样和领域注意力的联邦领域泛化方法。首先，本文提出估计每个客户端数据的振幅谱分布，并共享该分布以采样图像和特征进行数据增强，这缓解了单个图像信息的隐私泄露风险，并降低了通信成本。在此基础上，本文进一步采用了一个即插即用的领域注意力模块，以自适应地组合来自多个源域的特定领域嵌入，从而提升了对未知目标域的泛化性能。在3个医学图像分割数据集上的广泛实验表明，与先前的联邦领域泛化方法相比，本文的方法在提高泛化能力的同时相对降低了通信成本，证明了FedSA的有效性与意义。