PnPNet：面向边界混淆的体积分割推拉网络

体积图像的精确边界分割是图像引导诊断和计算机辅助干预的关键任务，尤其是在临床实践中存在边界混淆的情况下。然而，U型网络由于缺乏边界形状约束，无法有效解决这一挑战。此外，现有的边界细化方法过度强调细长结构，由于网络对微小物体建模能力有限，导致过拟合现象。在本文中，我们通过涵盖与相邻区域的相互作用动力学，重新概念化了边界生成机制。此外，我们提出了一个名为PnPNet的统一网络，用于对混淆边界区域的形状特征进行建模。PnPNet的核心组成部分包括推动分支和拉动分支。具体而言，基于扩散理论，我们在推动分支中设计了语义差异模块（SDM）以挤压边界区域。SDM内部的显式和隐式差异信息显著提升了对类间边界的表示能力。此外，受K-means算法启发，我们引入了拉动分支中的类聚类模块（CCM）以拉伸交叉的边界区域。因此，推动和拉动分支将分别缩小和扩大边界不确定性。它们提供了两种对抗力，促使模型输出更精确的边界描绘。我们在三个具有挑战性的公共数据集和一个内部数据集上进行了实验，这些数据集包含了模型预测中三种类型的边界混淆。实验结果证明了PnPNet相对于其他分割网络的优越性，特别是在HD和ASSD评估指标上。此外，推动和拉动分支可以作为即插即用模块，以增强经典的U型基线模型。代码已开源。