近年来,深度学习一直处于蓬勃发展的阶段,图像分割也已成为当下的研究热点之一。基于深度学习的医学图像分割模型如今已较为成熟,但是在临床实际环境中,由于医院、医疗设备以及病人群体等多种因素的差异,这些模型的泛化能力难以达到预期。迁移学习技术能够使不同域建立关联,利用带有标签的源域样本实现目标域样本的精确分割,提高模型性能。大多领域自适应迁移学习模型采用两个域所有特征进行训练,往往会不正确地将域无关特征用于模型学习,对模型性能产生负面影响。现存的迁移学习特征选择方法普遍面向图像分类领域,且部分算法计算复杂,求解困难。在图像分割迁移学习领域,并没有公认可靠的特征选择方法。本文提出一种面向医学图像分割迁移学习的最优传输特征选择方法,即迁移学习通用特征选择模块。该模块分为两个阶段,样本选择阶段以及特征选择阶段。在样本选择阶段,本文提出分割准确性权重,并利用该权重对原始最优传输问题的成本矩阵重新加权,构建加权最优传输方法选择样本,使选择出的样本子集能够更具针对性地描述源域和目标域分割图像特征,增加传输精确性,同时使两个域样本数量相等,以便进行下一阶段的特征传输。在本文特征选择模块的特征选择阶段,使用熵正则化最优传输将选择后数量相等的源域和目标域子样本的特征进行匹配,通过域之间移动传输特征,并根据所得最优耦合矩阵,得到按共享源域和目标域表示空间的相同特征的相似程度进行排序的列表F,依此选择用于图像分割的域不变特征。该方法充分利用了图像的原始特征信息,避免一部分特征选择方法不能有效利用图像原始特征信息,以及一部分利用特征值分解方法,计算量增多,求解困难的问题。最终本文依据列表F,将选择后的特征用于领域自适应迁移学习分割模型中。本文采用新型冠状肺炎分割数据集进行实验,将该模块应用于无适应任务和现有无监督领域自适应迁移学习任务。针对样本选择,利用随机样本选择,OT1,OT2方法与本文分割准确性加权最优传输进行对比,后将升序特征选择,随机特征选择方法与本文特征选择方法对比,突出本文方法的优势。通过实验可知使用迁移学习通用特征选择模块后的seg-jdot、e-uda以及self-ensembling模型的Dice指标分别达到78.1%、78.3%、77.9%,均高于未使用前的Dice指标75.1%,76.3%,76.7%,可见本文方法能够提升自适应算法的有效适应和模型性能。