DTEA：用于医学图像分割的动态拓扑编织与不稳定性驱动的熵衰减
计算机视觉与模式识别
2025-10-14 v1
摘要
在医学图像分割中，使用跳跃连接将全局上下文融合，并减少编码器与解码器之间的语义间隙。当前方法常在结构表示有限和上下文建模不足方面受限，这会影响其在复杂临床场景中的泛化能力。我们提出了 DTEA 模型，包含一种新的跳跃连接框架， featuring 语义拓扑重构 (STR) 和熵扰动门控 (EPG) 模块。STR 将多尺度语义特征重新组织为动态超图，以更好地建模跨分辨率的解剖依赖关系，增强结构和语义表示。EPG 评估扰动后的通道稳定性，并过滤高熵通道，以突出临床重要区域并提高空间注意力。大量实验在三个基准数据集上表明，我们的框架在分割精度和各种临床设置下的泛化能力方面均表现优异。该代码可在 https://github.com/LWX-Research/DTEA 获取。
引用
@article{arxiv.2510.11259,
title = {DTEA: Dynamic Topology Weaving and Instability-Driven Entropic Attenuation for Medical Image Segmentation},
author = {Weixuan Li and Quanjun Li and Guang Yu and Song Yang and Zimeng Li and Chi-Man Pun and Yupeng Liu and Xuhang Chen},
journal= {arXiv preprint arXiv:2510.11259},
year = {2025}
}
备注
Accepted by BIBM 2025