DCFFSNet：基于深度连通性特征融合分离的医学图像分割网络
计算机视觉与模式识别
2025-09-23 v2
摘要
医学图像分割利用拓扑连通性理论来提高边缘精度和区域一致性。然而，现有深度网络整合连通性时常将其强行注入作为附加特征模块，导致特征空间耦合且缺乏量化不同特征强度的标准化机制。为此，我们提出了DCFFSNet（Dual-Connectivity Feature Fusion-Separation Network）。该网络引入一种创新的特征空间解耦策略。该策略量化了连通性特征与其他特征之间的相对强度，并构建了深度连通性特征融合-分离架构。该架构能够动态平衡多尺度特征的表达。实验在ISIC2018、DSB2018和MoNuSeg数据集上进行。在ISIC2018数据集上，DCFFSNet相比最佳模型CMUNet在Dice指标上提升1.3%，在IoU指标上提升1.2%。在DSB2018数据集上，DCFFSNet相比TransUNet在Dice指标上提升0.7%，在IoU指标上提升0.9%。在MoNuSeg数据集上，DCFFSNet相比CSCAUNet在Dice指标上提升0.8%，在IoU指标上提升0.9%。结果表明，DCFFSNet在所有指标上均优于现有主流方法。它有效解决了分割碎片化问题，实现了平滑的边缘过渡。显著提升了临床应用价值。
引用
@article{arxiv.2507.18407,
title = {DCFFSNet: Deep Connectivity Feature Fusion Separation Network for Medical Image Segmentation},
author = {Mingda Zhang and Xun Ye and Ruixiang Tang and Haiyan Ding},
journal= {arXiv preprint arXiv:2507.18407},
year = {2025}
}
备注
16 pages , 11 figures