T-MPEDNet：融合特征重校准的 Transformer 感知多尺度渐进式编码器-解码器网络在肿瘤与肝脏分割中的协同作用
计算机视觉与模式识别
2025-07-29 v1
摘要
在 CT 扫描中精确且自动地分割肝脏及其肿瘤，对于肝病和恶性肿瘤患者的快速诊断与最佳治疗方案的制定起着至关重要的作用。然而，由于肿瘤的内在异质性以及不同患者间肝脏视觉特征的多样性，自动化的肝脏与肿瘤分割面临重大挑战。为应对这些挑战，我们提出了一种新颖的 Transformer 感知多尺度渐进式编码器-解码器网络（T-MPEDNet），用于肿瘤与肝脏的自动分割。T-MPEDNet 通过渐进式编码器-解码器结构利用深度自适应特征骨干网络，并通过跳跃连接在保持空间完整性的同时重校准通道特征。受 Transformer 启发的动态注意力机制捕捉空间域内的长程上下文关系，并进一步结合多尺度特征利用以细化局部细节，从而实现准确预测。随后采用形态学边界细化处理与邻近器官间的不清晰边界，捕捉更精细的细节并产生精确的边界标签。T-MPEDNet 的有效性在两个广泛使用的公共基准数据集 LiTS 和 3DIRCADb 上进行了全面评估。大量定量与定性分析表明，T-MPEDNet 优于十二种 state-of-the-art 方法。在 LiTS 上，T-MPEDNet 对肝脏和肿瘤分割分别取得了 97.6% 和 89.1% 的出色 Dice 相似系数（DSC）。在 3DIRCADb 上也观察到相似表现，肝脏和肿瘤分割的 DSC 分别为 98.3% 和 83.3%。我们的研究证明，T-MPEDNet 是用于 CT 扫描中肝脏及其肿瘤自动分割的有效且可靠的框架。
引用
@article{arxiv.2507.19590,
title = {T-MPEDNet: Unveiling the Synergy of Transformer-aware Multiscale Progressive Encoder-Decoder Network with Feature Recalibration for Tumor and Liver Segmentation},
author = {Chandravardhan Singh Raghaw and Jasmer Singh Sanjotra and Mohammad Zia Ur Rehman and Shubhi Bansal and Shahid Shafi Dar and Nagendra Kumar},
journal= {arXiv preprint arXiv:2507.19590},
year = {2025}
}