一种基于 DBIF-AUNet 的胸腔积液语义分割算法
计算机视觉与模式识别
2025-09-23 v2
摘要
胸腔积液语义分割能够通过精确识别疾病严重程度和病变区域，显著提升临床诊断与治疗的准确性和及时性。当前，胸腔积液 CT 图像的语义分割面临多重挑战，包括积液与周围组织灰度相似、边缘模糊以及形态多变。现有方法往往难以应对多样的图像变化和复杂边缘，主要原因是直接的特征拼接会导致语义鸿沟。为应对这些挑战，我们提出了双分支交互融合注意力模型 (Dual-Branch Interactive Fusion Attention model, DBIF-AUNet)。该模型构建了一个密集嵌套的跳跃连接网络，并创新性地改进了双域特征解耦模块 (Dual-Domain Feature Disentanglement module, DDFD)。DDFD 模块正交解耦双域模块的功能，以实现多尺度特征互补并增强不同层次的特征。同时，我们设计了一个与 DDFD 协同工作的分支交互注意力融合模块 (Branch Interaction Attention Fusion module, BIAF)。该模块对全局、局部和频带特征进行动态加权与融合，从而提高了分割的鲁棒性。此外，我们实现了一种带有分层自适应混合损失的嵌套深度监督机制，以有效解决类别不平衡问题。通过在来自西南医院的 1622 张胸腔积液 CT 图像上进行验证，DBIF-AUNet 分别取得了 80.1% 和 89.0% 的 IoU 和 Dice 分数。这些结果比最先进的医学图像分割模型 U-Net++ 和 Swin-UNet 分别高出 5.7%/2.7% 和 2.2%/1.5%，证明了在复杂胸腔积液 CT 图像分割精度上的显著优化。
引用
@article{arxiv.2508.06191,
title = {A Semantic Segmentation Algorithm for Pleural Effusion Based on DBIF-AUNet},
author = {Ruixiang Tang and Mingda Zhang and Jianglong Qin and Yan Song and Yi Wu and Wei Wu},
journal= {arXiv preprint arXiv:2508.06191},
year = {2025}
}
备注
12 pages, 6 figures, 2 tables