焦点调制与双向特征融合网络用于医学图像分割
计算机视觉与模式识别
2026-05-01 v2 人工智能
摘要
医学图像分割对于临床应用（如疾病诊断、治疗规划和疾病发展监测）至关重要，因为它提供了关于解剖结构的精确形态和空间信息，这些信息直接影响治疗决策。卷积神经网络对图像分割产生了显著影响；然而，由于卷积运算是局部的，捕获全局上下文信息和长程依赖仍然具有挑战性。其精确分割具有复杂边界和多种尺寸范围内结构的能力受到这一限制的影响。由于变压器使用自注意力机制高效地捕获全局上下文和长程依赖，将变压器架构与CNN集成是一个克服这些挑战的可行方法。为此，我们提出了一种称为焦点调制双向特征融合网络用于医学图像分割（Focal Modulation and Bidirectional Feature Fusion Network for Medical Image Segmentation，简称FM-BFF-Net）的网络。该网络组合卷积和变压器组件，采用焦点调制注意力机制以细化上下文感知，并引入双向特征融合模块，以实现跨尺度编码器和解码器表示之间的高效交互。通过这种设计，FM-BFF-Net增强了边界精度和对病灶大小、形状和对比度变化的鲁棒性。在八个公开数据集上的广泛实验，包括多发病检测、皮肤病灶分割和超声成像，表明FM-BFF-Net在Jaccard指数和Dice系数方面 consistently 超过最近的领先方法，确认了其在多样化医学成像场景中的有效性和适应性。
引用
@article{arxiv.2510.20933,
title = {Focal Modulation and Bidirectional Feature Fusion Network for Medical Image Segmentation},
author = {Moin Safdar and Shahzaib Iqbal and Mubeen Ghafoor and Tariq M. Khan and Imran Razzak and Thantrira Porntaveetus and Hamid Alinejad-Rokny},
journal= {arXiv preprint arXiv:2510.20933},
year = {2026}
}