医学图像分割中空间感知与全局上下文的桥接
计算机视觉与模式识别
2025-12-09 v1
摘要
医学图像分割是计算机辅助诊断中的基础任务，需要模型在分割精度和计算效率之间取得平衡。然而，现有分割模型常难以有效捕获局部和全局上下文信息，导致边界像素丢失和分割误差。本文提出 U-CycleMLP，一种新型 U 形编码器-解码器网络，旨在提升分割性能的同时保持轻量化架构。编码器通过位置注意力加权激活块、稠密空洞块和下采样操作学习多尺度上下文特征，有效捕获局部和全局信息。解码器通过上采样操作、稠密空洞块和特征融合机制重建高分辨率分割掩码，确保精确的边界描绘。为进一步细化分割预测，在跳跃连接处加入通道 CycleMLP 块，增强特征集成，同时保持相对于输入尺寸的线性计算复杂度。跨三个基准数据集的定性和定量实验表明，U-CycleMLP 在与 SOTA 方法之间展现出竞争性能，实现更高的分割精度，捕获细粒度解剖结构，并在不同医学成像模态间表现出良好的鲁棒性。消融研究进一步突显了模型核心组件在提升分割精度方面的重要性。
引用
@article{arxiv.2512.06560,
title = {Bridging spatial awareness and global context in medical image segmentation},
author = {Dalia Alzu'bi and A. Ben Hamza},
journal= {arXiv preprint arXiv:2512.06560},
year = {2025}
}