通过全局与区域特征补偿提高医学图像中病灶分割精度

由于深度学习的快速发展，自动病灶分割在近年来取得了显著进展。然而，准确捕获细粒度的全局和区域特征表示仍然是一个挑战。许多现有方法由于在典型下采样操作中信息丢失以及未能充分捕获区域或全局特征，导致在复杂病灶分割任务上表现不佳。为此，本文提出了一种全局与区域补偿分割框架（Global and Regional Compensation Segmentation Framework，简称GRCSF），其中引入了两个关键创新：全局补偿单元（Global Compensation Unit，简称GCU）和区域补偿单元（Region Compensation Unit，简称RCU）。所提出的GCU通过在多尺度下采样期间保留全局语境特征和细粒度细节来解决U型主干网络中的分辨率损失问题。而RCU则引入由遮盖自编码器（Masked Autoencoders，简称MAE）生成的自监督学习（self-supervised learning，简称SSL）残差图，这些残差图是由重建图像与原始图像之间的像素级差异获得的，用于突出潜在病灶区域。这些SSL残差图通过基于patch的跨注意力机制将区域空间和像素级特征整合，从而引导精确的病灶定位和分割。此外，RCU还 incorporates patch级别的重要性评分，以利用主干网络的全局空间信息来增强特征融合。在两个公开的医学图像分割数据集上进行的实验包括脑卒中病灶和冠状动脉钙化数据集，结果表明我们的GRCSF在各种病灶类型上均优于最先进的方法，验证了其有效性并证明其作为通用性病灶分割解决方案的潜力。