PDC-Net：用于盆腔放射性损伤分割的模式分治网络
计算机视觉与模式识别
2025-06-24 v1
摘要
从磁共振图像 (MRI) 中准确分割盆腔放射性损伤 (PRI) 对于更精确的预后评估和个性化治疗计划的制定至关重要。然而，由于器官形态复杂和上下文混淆等因素，自动分割仍然具有挑战性。为了应对这些挑战，我们提出了一种用于 PRI 分割的新型模式分治网络 (PDC-Net)。其核心思想是使用不同的网络模块来“分”解各种局部和全局模式，并通过灵活的特征选择在解码阶段“治”理感兴趣区域 (ROI)。具体而言，考虑到我们的 ROI 在 MR 切片中通常表现为条状或环状结构，我们引入了多方向聚合 (MDA) 模块。该模块通过在四个不同方向上应用条带卷积，增强了模型拟合器官形状的能力。此外，为了缓解上下文混淆的挑战，我们提出了一种记忆引导上下文 (MGC) 模块。该模块显式地维护一个记忆参数来跟踪数据集级别的跨图像模式，从而增强与正负类相关的全局模式之间的区分度。最后，我们设计了一个自适应融合解码器 (AFD)，它基于混合专家 框架动态选择来自不同模式的特征，最终生成分割结果。我们在首个大规模盆腔放射性损伤数据集上评估了我们的方法，结果表明我们的 PDC-Net 优于现有方法。
引用
@article{arxiv.2506.17712,
title = {PDC-Net: Pattern Divide-and-Conquer Network for Pelvic Radiation Injury Segmentation},
author = {Xinyu Xiong and Wuteng Cao and Zihuang Wu and Lei Zhang and Chong Gao and Guanbin Li and Qiyuan Qin},
journal= {arXiv preprint arXiv:2506.17712},
year = {2025}
}
备注
MICCAI 2025