GRAFNet：基于引导皮层注意力反馈的多尺度视网膤处理以提升医学图像脂肠绒毛分割精度
计算机视觉与模式识别
2026-02-18 v1 人工智能
摘要
结肠镜中脂肠绒毛的精准分割对于癌症预防至关重要，但面临挑战：（1）形态差异大（从平坦到突出的病灶），（2）与正常结构如褶皱和血管高度视觉相似，（3）需要鲁棒的多尺度检测。现有深度学习方法受限于单向处理、弱多尺度融合和缺乏解剖约束，常导致假阳性（对正常结构的过度分割）和假阴性（漏检细微平坦病灶）。我们提出GRAFNet，一种受生物学启发的体系结构，模拟人类视觉系统的层级组织。GRAFNet集成了三个关键模块：（1）引导不对称注意力模块（GAAM），模拟定向调谐皮层神经元以强化脂肠绒毛边界；（2）多尺度视网膜模块（MSRM），复制视网膜视神经细胞通路以进行并行多特征分析；（3）引导皮层注意力反馈模块（GCAFM），应用预测编码进行迭代细化。这些模块统一于脂肠绒毛编码器-解码器模块（PEDM），通过分辨率自适应反馈实现空间-语义一致性。广泛的实验在五个公开基准测试（Kvasir-SEG、CVC-300、CVC-ColonDB、CVC-Clinic和PolypGen）上进行，结果显示在Dice系数上实现了3-8%的提升，泛化性能比领先方法高出10-20%，并提供可解释的决策路径。本工作建立了一种范式，即神经计算原理桥接AI准确性与临床可信推理之间的鸿沟。代码可在https://github.com/afofanah/GRAFNet获取。
引用
@article{arxiv.2602.15072,
title = {GRAFNet: Multiscale Retinal Processing via Guided Cortical Attention Feedback for Enhancing Medical Image Polyp Segmentation},
author = {Abdul Joseph Fofanah and Lian Wen and Alpha Alimamy Kamara and Zhongyi Zhang and David Chen and Albert Patrick Sankoh},
journal= {arXiv preprint arXiv:2602.15072},
year = {2026}
}