Ce document présente un nouveau modèle de segmentation d'images médicales appelé IC-MoE, qui utilise une approche de mélange d'experts en communication intelligente pour améliorer les performances de segmentation. Les auteurs identifient deux limitations principales des méthodes existantes : une représentation insuffisante des caractéristiques de haut niveau et une perturbation de l'intégrité structurelle des poids pré-entraînés lors du fine-tuning. Pour y remédier, ils proposent une stratégie de vote adaptatif basée sur la probabilité des pixels, permettant une sélection et une fusion d'experts grâce à la cohérence des étiquettes et à l'équilibrage de charge. Cette approche améliore la représentation des caractéristiques de haut niveau tout en préservant l'intégrité structurelle des poids pré-entraînés. De plus, ils introduisent une méthode d'apprentissage contrastif guidée par la sémantique pour résoudre le problème de la supervision faible dans l'apprentissage contrastif, renforçant ainsi davantage la représentation des caractéristiques de haut niveau. Des expériences approfondies sur trois ensembles de données publics de segmentation d'images médicales démontrent que l'IC-MoE surpasse les autres modèles de pointe. Le modèle IC-MoE se distingue par sa capacité à compléter efficacement les modèles de base de segmentation d'images médicales avec des caractéristiques de haut niveau et une intégrité structurelle pré-entraînée. Les auteurs valident également la généralisabilité supérieure de l'IC-MoE dans divers scénarios de segmentation d'images médicales. Ce modèle représente une avancée significative dans le domaine de la segmentation d'images médicales, offrant des performances améliorées et une meilleure préservation des caractéristiques structurelles.