ConvNeXt-FD：一种基于分形的深度模型，用于鲁棒的生物医学图像分割
计算机视觉与模式识别
2026-05-22 v1
摘要
生物医学图像分割是医学诊断和治疗规划中的关键任务，使人们能够精确描绘解剖结构和病理区域。尽管取得了显著进展，但由于多样化医学成像模态中固有的变异性、噪声和复杂形态，仍面临挑战。本文引入 ConvNeXt-FD，这是一个用于鲁棒生物医学图像分割的新型深度学习架构，基于类似 U-Net 的编码器-解码器框架，采用强大的 ConvNeXt backbone。我们的方法将 Dice 系数与灵感来源于可微分分形维数公式的边界感知正则化项相结合，以增强模型对对象边界和形态保真度的敏感性。我们在六个不同的生物医学数据集上严格评估了 ConvNeXt-FD：BUSI（乳腺超声图像）、DDTI（甲状腺超声图像）、FluoCells（荧光细胞图像）、IDRiD（糖尿病视网膜图像，用于视盘分割）、ISIC2018（皮肤皮损图像）和 MoNuSeg（细胞核分割）。实验结果表明，ConvNeXt-FD 在包括 Dice、Jaccard、准确率、敏感性、特异性和假阳性率等多个指标上，与现有最先进方法相比表现出竞争力且常常更优，特别是当使用 ImageNet 预训练权重初始化时。编码器采用 ConvNeXt 以及边界感知正则化的结合，对于捕捉高层语义特征和细粒度边界细节，表现出有效作用，导致在挑战性的生物医学环境中实现更准确和可靠的分割。
引用
@article{arxiv.2605.22002,
title = {ConvNeXt-FD: A Fractal-Based Deep Model for Robust Biomedical Image Segmentation},
author = {Joao Batista Florindo and Amanda Pontes de Oliveira Ornelas},
journal= {arXiv preprint arXiv:2605.22002},
year = {2026}
}