Co-Seg++：用于多功能医学分割的互提示引导协作学习
计算机视觉与模式识别
2025-12-10 v2
摘要
医学图像分析至关重要，但面临着联合分割器官或组织以及用于解剖结构和肿瘤微环境分析的众多实例的挑战。现有研究通常孤立地处理不同的分割任务，忽略了这些任务之间的基本相互依赖性，导致分割性能次优和医学图像理解不足。为解决此问题，我们提出了一个用于多功能医学分割的Co-Seg++框架。具体来说，我们引入了一种新颖的协同分割范式，使语义和实例分割任务能够相互增强。我们首先设计了一个时空序列提示编码器（SSP-Encoder），以捕获分割区域与图像嵌入之间的长程空间和序列关系，作为先验空间约束。此外，我们设计了一个多任务协作解码器（MTC-Decoder），利用交叉引导来加强两个任务的上下文一致性，共同计算语义和实例分割掩码。在多种CT和组织病理学数据集上的大量实验表明，所提出的Co-Seg++在牙齿解剖结构、组织病理学组织和细胞核实例的语义、实例和全景分割方面优于现有技术水平。源代码可在 https://github.com/xq141839/Co-Seg-Plus 获取。
引用
@article{arxiv.2506.17159,
title = {Co-Seg++: Mutual Prompt-Guided Collaborative Learning for Versatile Medical Segmentation},
author = {Qing Xu and Yuxiang Luo and Wenting Duan and Zhen Chen},
journal= {arXiv preprint arXiv:2506.17159},
year = {2025}
}
备注
Accepted by TMI