CENet：医学图像分割的上下文增强网络
计算机视觉与模式识别
2025-05-27 v1
摘要
医学图像分割，特别是在多域场景中，需要精确保留跨不同表示形式的解剖结构。尽管深度学习已推动该领域发展，但现有模型常常在准确边界表示、器官形态变异性以及下采样期间的信息损失方面存在挑战，限制了其准确性和鲁棒性。为此，我们提出了上下文增强网络（Context Enhancement Network, CENet），一种新颖的分割框架，包含两个关键创新。首先，集成到跳跃连接中的Dual Selective Enhancement Block（DSEB）以上下文感知方式增强边界细节并提高对较小器官的检测。其次，解码器中的Context Feature Attention Module（CFAM）采用多尺度设计，以保持空间完整性、减少特征冗余并缓解过度增强的表示。对放射学和皮肤学数据集进行了广泛评估，结果表明CENet在多器官分割和边界细节保留方面优于最先进（SOTA）方法，为复杂医学图像分析任务提供了稳健且准确的解决方案。代码已公开于https://github.com/xmindflow/cenet。
引用
@article{arxiv.2505.18423,
title = {CENet: Context Enhancement Network for Medical Image Segmentation},
author = {Afshin Bozorgpour and Sina Ghorbani Kolahi and Reza Azad and Ilker Hacihaliloglu and Dorit Merhof},
journal= {arXiv preprint arXiv:2505.18423},
year = {2025}
}
备注
Provisionally accepted at MICCAI-2025