D-Net：用于体积医学图像分割的动态大核与动态特征融合

层次变换器因其大感受野和有效利用全局长程上下文信息的能力，在医学图像分割方面取得了显著成功。卷积神经网络（CNN）也可通过使用大核实现大感受野，从而在更少的模型参数下实现竞争性能。然而，内置大卷积核的CNN受限于固定核大小，难以适应器官形状和大小差异较大的多尺度特征捕获，此外无法有效利用全局上下文信息。为此，我们提出了动态大核（DLK）和动态特征融合（DFF）模块。DLK模块采用多个不同核大小和膨胀率的大核以捕获多尺度特征。随后，利用动态选择机制基于全局信息自适应地突出显示最重要的空间特征。此外，提出了DFF模块，用于基于其全局信息自适应地融合多尺度局部特征图。我们将DLK和DFF集成到层次变换器架构中，开发出一种新型架构，称为D-Net。D-Net能够有效利用多尺度大感受野，并自适应地利用全局上下文信息。大量实验结果表明，D-Net在两个体积分割任务中（包括腹部多器官分割和多模态脑肿瘤分割）均优于其他最先进的模型。我们的代码可在 https://github.com/sotiraslab/DLK 获取。