Cet article propose un module de convolution auto-adaptatif (SCM) qui ajuste dynamiquement la taille des noyaux de convolution en fonction des caractéristiques uniques de l'ensemble de données. Ceci permet de résoudre le problème de non-prise en compte des hyperparamètres internes par le réglage automatique des hyperparamètres de nnUNet, ce qui entraîne de faibles performances de généralisation. Ce module est intégré au pont de convolution multi-échelle et au décodeur d'amalgamation multi-échelle de MSA2-Net pour extraire efficacement des caractéristiques à différentes échelles et capturer avec précision les détails d'organes de différentes tailles, ce qui permet d'obtenir des résultats précis de segmentation d'images médicales. Nous démontrons d'excellentes performances sur les ensembles de données Synapse, ACDC, Kvasir et ISIC2017, avec des coefficients Dice de 86,49 %, 92,56 %, 93,37 % et 92,98 %, respectivement.
