ConDSeg：基于对比驱动特征增强的通用医学图像分割框架

医学图像分割在临床决策、治疗规划和疾病跟踪中发挥着重要作用。然而，它仍面临两个主要挑战：一方面，医学图像中前景与背景之间常存在“软边界”，且照明不足和对比度降低进一步降低前景与背景的辨识度。另一方面，共现现象在医学图像中十分常见，学习这些特征会误导模型的判断。为此，我们提出了名为Contrast-Driven Medical Image Segmentation（ConDSeg）的通用框架。首先，我们开发了名为Consistency Reinforcement的对比训练策略，旨在提高编码器在各种照明和对比度场景下的鲁棒性，使其即使在恶劣环境中也能提取高质�的特征。随后，我们引入语义信息解耦模块，能够将编码器的特征解耦为前景、背景和不确定性区域，逐步获得减少不确定性的能力。对比驱动特征聚合模块进一步通过对前景和背景特征进行对比，引导多层特征融合和关键特征增强，从而更好地区分待分割实体。我们还提出了尺寸感知解码器，以解决解码器的尺度奇异问题，准确定位不同尺寸的实体，从而避免对共现特征的错误学习。在覆盖三个场景的五个医学图像数据集上的大量实验表明，我们的方法在各项指标上实现了最先进的性能，证明了其在各种医学图像分割场景中的先进性和广泛适用性。我们已公开代码，地址为\url{https://github.com/Mengqi-Lei/ConDSeg}。