面向模糊边界勾画的语义引导编码器特征学习

编码器-解码器架构被广泛用于医学图像分割任务。借助横向跳跃连接，模型能够在深层获取并融合语义和分辨率信息，以实现更精确的分割性能。然而，在许多应用中（例如模糊边界图像），这些模型往往无法精确定位复杂边界并分割微小的孤立部分。为解决这一挑战性问题，我们首先分析了为何简单的跳跃连接不足以帮助准确定位不清晰边界，并认为这是由于编码器层提供的跳跃连接中存在模糊信息。随后，我们提出了一种语义引导的编码器特征学习策略，以学习兼具高分辨率和丰富语义的编码器特征，从而能够更精确地定位模糊边界，同时通过选择性学习判别性特征来增强网络。此外，我们进一步提出了一种软轮廓约束机制来建模模糊边界检测。在真实临床数据集上的实验结果表明，我们提出的方法能够实现最先进的分割精度，尤其是在模糊区域。进一步分析也表明，我们提出的网络组件确实有助于性能提升。在额外数据集上的实验验证了我们所提方法的泛化能力。