WoundFormer：用于多类伤口组织分割的多尺度空间特征融合

慢性伤口，如糖尿病足溃疡和压力性损伤，需要准确的组织级评估来指导治疗计划和监测愈合进展。虽然深度学习方法推动了自动化伤口分析的发展，但由于类内变异性高和标注数据有限，大多数现有方法侧重于二值分割，且对异质性组织组成的建模不足。因此，多类伤口组织分割仍然是一个具有挑战性且临床相关的问题。我们提出 WoundFormer，一个基于 Transformer 的框架，它增强了用于多类伤口组织分割的层次化空间特征融合。具体来说，我们将标准的 SegFormer 解码器替换为一个保持空间结构的多尺度聚合头，该头在跨尺度集成过程中保持特征拓扑，并通过卷积融合加强上下文交互。此设计改善了边界定位和对视觉相似组织类别的区分，同时保持了 Transformer 的效率。我们在 WoundTissueSeg 数据集（147 张图像，六种组织类别）和第二个基准（DFUTissue 数据集）上评估了 WoundFormer。所提出的方法在 WoundTissueSeg 基准上取得了 81.9% 的整体 Dice 分数，比强大的 CNN 和 Transformer 基线高出多达 4.3 个 Dice 点，并在少数组织类别上有一致的改进。这些结果表明，对层次化空间交互的显式建模增强了 Transformer 对异质性伤口组织分割的表示，并支持更可靠的定量伤口评估。