基于物理显著性特征感知的医学小病灶分割网络OA
精准分割早期小病灶对疾病诊疗至关重要,但现有方法面对特征稀疏、易受背景干扰的小病灶时性能显著下降.受计算机断层扫描成像中X射线衰减物理原理启发,发现小病灶在影像中呈现出中心亮、边缘渐弱的强度分布,其轮廓与二维高斯分布高度吻合.为此,提出一种辐射衰减原理引导的显著性感知分割网络(RAP-Net).RAP-Net将射线衰减导致的二维高斯分布作为相关滤波卷积核融入深度学习架构,并设计专用于小病灶分割的多尺度感知特征网络.该网络的核心显著特征感知提取模块利用多尺度高斯空洞卷积建模衰减特性,实现稀疏特征的深度挖掘与背景抑制.实验表明,RAPNet在小肾结石与小肝脏钙化灶分割任务中的Dice系数和IoU提升至少18.05%和19.55%,显著超越现有主流方法.
任向阳;焦博旸;杨震;贾育衡;郭伟峰;梁静
郑州大学第一附属医院医学3D打印中心,郑州450003郑州大学第一临床医学院,郑州450003湖南大学人工智能与机器人学院,长沙410012东南大学计算机科学与工程学院,南京211189郑州大学电气与信息工程学院,郑州450001郑州大学电气与信息工程学院,郑州450001
信息技术与安全科学
医学小病灶辐射衰减多尺度感知特征网络高斯分布
《自动化学报》 2026 (7)
P.1387-1400,14
国家自然科学基金(62206251,62476253,62576094,U23A20340,625B2066)河南省自然科学基金(262300421218,262300421635)河南省科技研发联合基金(产业类)重大项目(245101610001)河南省医学科技人才海外研修项目(HNMOT2025063)资助。
评论