MD-RWKV-UNet: 尺度感知解剖编码与跨阶段融合用于多器官分割
计算机视觉与模式识别
2026-03-31 v1 图像与视频处理
摘要
医学成像中的多器官分割因解剖变异性大、器官间依赖关系复杂以及器官尺度与形状多样而具有挑战性。传统的编码器-解码器架构往往难以同时捕获细粒度的局部细节与长程上下文，而这些对于精确分割至关重要——尤其对于小器官或可变形器官。为解决这些限制，我们提出MD-RWKV-UNet，一种能够进行尺度感知表示与空间自适应上下文建模的动态编码网络。其核心是MD-RWKV模块，一种双路径模块，将可变形空间偏移与Receptance Weighted Key Value机制相结合，使感受野能够根据局部结构线索动态适应。我们进一步引入Selective Kernel Attention以实现不同感受野卷积核的自适应选择，增强多尺度交互并提高对器官尺寸和形状变化的鲁棒性。同时，一种跨阶段双注意力融合策略聚合编码器中的多层次特征，在保留低级结构的同时增强语义一致性。与堆叠静态卷积或严重依赖全局注意力的方法不同，我们的方法为动态器官建模提供了一种轻量且富有表达力的解决方案。在Synapse和ACDC上的实验表明，该方法达到了最先进的性能，特别是在边界精度和小器官分割方面。
引用
@article{arxiv.2603.27261,
title = {MD-RWKV-UNet: Scale-Aware Anatomical Encoding with Cross-Stage Fusion for Multi-Organ Segmentation},
author = {Zhuoyi Fang},
journal= {arXiv preprint arXiv:2603.27261},
year = {2026}
}