用于高效脊椎分割的频率增强多粒度上下文网络
计算机视觉与模式识别
2025-07-01 v1
摘要
在3D CT和MRI图像中自动化且精确地分割单个脊椎对于各种临床应用至关重要。由于当前成像技术的局限性以及脊柱结构的复杂性，现有方法在减少图像模糊影响和区分相似脊椎方面仍存在困难。为缓解这些问题，我们提出了一种频率增强多粒度上下文网络（FMC-Net）以提高脊椎分割的准确性。具体而言，我们首先应用小波变换进行无损下采样，以减少模糊图像中的特征失真。分解后的高频和低频分量随后被分别处理。对于高频分量，我们应用高频特征细化（HFR）来放大关键特征的显著性并滤除噪声，从而恢复模糊图像中的细粒度细节。对于低频分量，我们使用多粒度状态空间模型（MG-SSM）来聚合具有不同感受野的特征表示，在以线性复杂度捕获长程依赖的同时提取空间变化的上下文。多粒度上下文的利用对于区分相似脊椎和提高分割精度至关重要。大量实验表明，我们的方法在CT和MRI脊椎分割数据集上均优于现有最先进的方法。源代码已在 https://github.com/anaanaa/FMCNet 公开。
引用
@article{arxiv.2506.23086,
title = {Frequency-enhanced Multi-granularity Context Network for Efficient Vertebrae Segmentation},
author = {Jian Shi and Tianqi You and Pingping Zhang and Hongli Zhang and Rui Xu and Haojie Li},
journal= {arXiv preprint arXiv:2506.23086},
year = {2025}
}
备注
Accepted by MICCAI2025. More modifications my be performed