MSA2-Net：利用自适应卷积模块提取医学图像分割中的多尺度信息
计算机视觉与模式识别
2025-09-04 v2 人工智能
摘要
nnUNet 分割框架能自动调整训练脚本中的大部分超参数，但忽略了分割网络内部超参数的调整，这限制了模型的泛化能力。为解决这一局限，本研究提出了一种新颖的自适应卷积模块，该模块能根据不同数据集的独特特征动态调整卷积核的大小。这种调整使得配备该模块的 MSA2-Net 能够熟练捕捉特征图中的全局和局部特征。自适应卷积模块被策略性地集成到 MSA2-Net 的两个关键组件中：多尺度卷积桥接器和多尺度融合解码器。在 MSConvBridge 中，该模块增强了在跳跃连接过程中细化 CSWin Transformer 各阶段输出的能力，有效消除了可能损害解码器性能的冗余数据。同时，MSADecoder 利用该模块，在解码阶段擅长捕捉不同大小器官的详细信息。此能力确保解码器的输出能高度还原特征图中的复杂细节，从而生成高度精确的分割图像。凭借这种先进架构，MSA2-Net 表现出卓越的性能，在 Synapse、ACDC、Kvasir 和皮肤病变分割 (ISIC2017) 数据集上分别取得了 86.49%、92.56%、93.37% 和 92.98% 的 Dice 系数得分。这凸显了 MSA2-Net 在跨多种数据集的医学图像分割任务中的鲁棒性和精确性。
引用
@article{arxiv.2509.01498,
title = {MSA2-Net: Utilizing Self-Adaptive Convolution Module to Extract Multi-Scale Information in Medical Image Segmentation},
author = {Chao Deng and Xiaosen Li and Xiao Qin},
journal= {arXiv preprint arXiv:2509.01498},
year = {2025}
}