MedFlowSeg：基于频率感知注意力的医学图像流匹配分割
计算机视觉与模式识别
2026-05-08 v2
摘要
流匹配近期已成为学习连续时间传输映射的一种有原则的框架，能够实现高效的基于常微分方程（ODE）的采样，而无需依赖随机扩散过程。尽管生成建模在医学图像分割中展现出前景，特别是在捕捉不确定性和复杂解剖变异性方面，但现有方法主要基于扩散模型，需要迭代采样并产生大量计算开销。在这项工作中，我们提出了MedFlowSeg，一个条件流匹配框架，将医学图像分割表述为学习一个时间相关的向量场，该向量场将简单的先验分布传输到目标分割分布。与基于扩散的方法相比，我们的公式通过求解常微分方程实现更高效的推理，同时保留了生成建模的灵活性。为了有效融入条件信息，我们引入了双重条件机制。具体而言，我们提出了双分支空间注意力（DB-SA）模块来注入多频率结构先验，以及频率感知注意力（FA-Attention）模块，通过差异感知融合和时间相关调制来建模空间与频谱表示之间的交互。这些组件改善了含噪中间状态与干净语义特征之间的对齐，从而带来更好的结构一致性与边界勾勒。我们在多种医学成像模态上进行了广泛实验，MedFlowSeg持续优于先前的最先进（SOTA）基线方法，包括基于扩散和基于流的方法。
引用
@article{arxiv.2604.19675,
title = {MedFlowSeg: Flow Matching for Medical Image Segmentation with Frequency-Aware Attention},
author = {Zhi Chen and Runze Hu and Le Zhang},
journal= {arXiv preprint arXiv:2604.19675},
year = {2026}
}