DFEN：用于医学图像分割的双重特征均衡网络
计算机视觉与模式识别
2025-05-12 v1
摘要
当前的医学图像分割方法主要侧重于从整个图像的角度提取上下文特征信息。虽然这些方法表现出有效的性能，但它们都没有考虑到边界处的像素和类别像素数量少的区域会从其他类别捕获更多的上下文特征信息，从而导致因上下文特征信息不均衡而造成的像素错误分类。在本文中，我们提出了一种基于 Swin Transformer 和卷积神经网络混合架构的双重特征均衡网络，旨在通过图像级均衡特征信息和类别级均衡特征信息来增强像素特征表示。首先，我们设计了图像级特征均衡模块来均衡图像内像素的上下文信息。其次，我们通过类别级特征均衡模块聚合相同类别的区域，以均衡相应类别的像素特征表示。最后，通过学习图像级均衡特征信息和类别级均衡特征信息的权重来增强像素特征表示。此外，我们利用 Swin Transformer 作为编码器和解码器，从而增强了模型捕获长程依赖关系和空间相关性的能力。我们在乳腺超声图像（BUSI）、国际皮肤影像协作组织（ISIC2017）、自动心脏诊断挑战（ACDC）和 PH 数据集上进行了广泛的实验。实验结果表明，我们的方法达到了最先进的性能。我们的代码可在 https://github.com/JianJianYin/DFEN 公开获取。
引用
@article{arxiv.2505.05913,
title = {DFEN: Dual Feature Equalization Network for Medical Image Segmentation},
author = {Jianjian Yin and Yi Chen and Chengyu Li and Zhichao Zheng and Yanhui Gu and Junsheng Zhou},
journal= {arXiv preprint arXiv:2505.05913},
year = {2025}
}