DyGLNet：用于医学图像分割的混合全局-局部特征融合与动态上采样
计算机视觉与模式识别
2025-09-17 v1
摘要
医学图像分割面临多尺度病灶变异性、组织边界模糊以及计算密集等挑战。本文提出 DyGLNet，通过融合全局与局部特征并引入 dynamic 上采样机制，实现高效且精确的分割。该模型创新性地设计了混合特征提取模块 (SHDCBlock)，将 single-head self-attention 与 multi-scale dilated convolutions 结合，以协同建模局部细节与全局上下文。我们进一步引入 dynamic 自适应上采样模块 (DyFusionUp)，基于 learnable offsets 实现特征图的高保真重建。随后采用轻量化设计以降低计算开销。在七个公开数据集上的实验表明，DyGLNet 优于现有方法，尤其在边界精度和小目标分割方面表现突出。同时，它具有更低的计算复杂度，为临床医学图像分析提供了高效可靠的解决方案。该代码将很快公开。
引用
@article{arxiv.2509.12763,
title = {DyGLNet: Hybrid Global-Local Feature Fusion with Dynamic Upsampling for Medical Image Segmentation},
author = {Yican Zhao and Ce Wang and You Hao and Lei Li and Tianli Liao},
journal= {arXiv preprint arXiv:2509.12763},
year = {2025}
}
备注
18pages, under review