AFFSegNet：用于微肿瘤和多器官分割的自适应特征融合分割网络

医学图像分割是计算机视觉中的关键任务，促进了解剖结构和病灶的自动描绘，支持医生在诊断、治疗规划和疾病监控方面工作。值得注意的是，采用偏移窗口自注意力机制的变换器在该领域展现了卓越的性能。然而，这些方法依赖局部窗口注意力，限制了局部与全局上下文信息的融合，这对于分割微肿瘤和微型器官至关重要。为此，我们提出了自适应语义分割网络（ASSNet），一种有效整合局部和全局特征以实现精准医学图像分割的变换器架构。ASSNet 包含一个基于变换器的 U 型编码器-解码器网络。编码器利用五个分辨率的偏移窗口自注意力机制提取多尺度特征，这些特征通过跳跃连接传递给解码器。我们在编码器中引入增强型多层感知器，以在特征提取期间显式建模长程依赖。鉴于常规对称编码器-解码器设计的局限，我们提出了自适应特征融合（AFF）解码器来补充编码器。这一解码器包含三个关键组件：长程依赖（LRD）模块、多尺度特征融合（MFF）模块以及自适应语义中心（ASC）模块。这些组件协同有效地融合了解码器提取的多尺度特征，同时捕获长程依赖并细化物体边界。在包括多器官、肝脏肿瘤和尿道肿瘤分割在内的多项医学图像分割任务上的全面实验表明，ASSNet 实现了最先进的分割性能。代码和模型已公开于：\url{https://github.com/lzeeorno/ASSNet}。