HANS-Net：用于 CT imaging 中肝脏及肝肿瘤分割的双曲卷积与自适应时序注意
图像与视频处理
2026-01-21 v2 人工智能
计算机视觉与模式识别
摘要
准确分割腹部 CT 图像中的肝脏及肝肿瘤对于可靠诊断和治疗规划至关重要，但由于复杂的解剖结构、肿瘤外观的变异性以及标注数据有限，仍面临挑战。为此，我们引入了一种新型分割框架——Hyperbolic-convolutions Adaptive-temporal-attention with Neural-representation and Synaptic-plasticity Network (HANS-Net)，其综合运用了双曲卷积进行层次几何表示、基于小波的分解模块进行多尺度纹理学习、受生物学启发的突触可塑性机制进行自适应特征增强，以及用于建模细粒度连续解剖边界的隐式神经表示分支。此外，我们还引入了不确定性感知的蒙特卡罗 dropout 以量化预测置信度，并采用轻量级时序注意力以提高跨切片一致性而不牺牲效率。对 LiTS 数据集的广泛评估显示，HANS-Net 在 mean Dice 评分达到 93.26%，IoU 为 88.09%，平均对称表面距离 (ASSD) 为 0.72 mm，体积重叠误差 (VOE) 为 11.91%。此外，跨数据集验证于 AMOS 2022 数据集上获得平均 Dice 为 85.09%，IoU 为 76.66%，ASSD 为 19.49 mm，VOE 为 23.34%，表明 HANS-Net 在不同数据集之间具有强大的泛化能力。这些结果确认了 HANS-Net 在提供解剖上一致、准确且具有信心的肝脏及肝肿瘤分割方面的有效性和鲁棒性。
引用
@article{arxiv.2507.11325,
title = {HANS-Net: Hyperbolic Convolution and Adaptive Temporal Attention for Accurate and Generalizable Liver and Tumor Segmentation in CT Imaging},
author = {Arefin Ittesafun Abian and Ripon Kumar Debnath and Md. Abdur Rahman and Mohaimenul Azam Khan Raiaan and Md Rafiqul Islam and Asif Karim and Reem E. Mohamed and Sami Azam},
journal= {arXiv preprint arXiv:2507.11325},
year = {2026}
}
备注
Manuscript under review in IEEE Transactions on Radiation and Plasma Medical Sciences