2025年医学图像分割最新论文解析：从模型架构到临床落地实践

1次阅读

没有评论

共计 1570 个字符，预计需要花费 4 分钟才能阅读完成。

医学图像分割在临床应用中面临诸多独特挑战，这些挑战使得传统计算机视觉方法难以直接适用。以下是最常见的几类问题：

小样本学习 ：标注高质量的医学图像需要专业医生参与，导致标注数据稀缺。据统计，普通医院每年能获得的标注 CT 扫描不足 1000 例。
器官形状变异 ：同一器官在不同患者间形态差异显著，比如肝脏形状受呼吸运动和个体解剖差异影响极大。
低对比度边界 ：许多软组织（如胰腺）与周围组织灰度值接近，传统 U -Net 的跳跃连接难以捕捉这类细微差异。

传统 U -Net 在这些场景下表现出明显局限：在 MICCAI 2025 公开的肝脏分割挑战赛上，原始 U -Net 的 DSC 评分比最新方法平均低 7.2%，特别是在器官边缘区域 HD95 指标差距达 3.8mm。

该论文提出双分支混合架构：

CNN 分支处理局部纹理特征
Transformer 分支建模长程依赖关系
创新性地使用交叉注意力模块进行特征融合

在 NIH 胰腺 CT 数据集上，该方法将小目标分割的 DSC 提升至 89.3%，比纯 Transformer 架构快 2.1 倍。

针对不同成像模态的特性差异：

CT 图像：重点优化卷积核感受野
MRI 图像：增加通道注意力机制
通过可分离卷积实现参数量减少 67%

创新点包括：

基于一致性正则的师生模型
针对医学图像的强数据增强策略
仅需 20% 标注数据即可达到全监督 92% 的性能

# MONAI 实现的 CT 值裁剪
transform = Compose([
    ScaleIntensityRange(
        a_min=-200,  # 肺窗下限
        a_max=200,   # 肺窗上限
        b_min=0.0,
        b_max=1.0,
        clip=True
    )
])

class DynamicConv(nn.Module):
    def __init__(self, in_ch):
        super().__init__()
        self.attention = nn.Sequential(nn.AdaptiveAvgPool2d(1),
            nn.Conv2d(in_ch, in_ch//4, 1),
            nn.ReLU(),
            nn.Conv2d(in_ch//4, in_ch, 1),
            nn.Sigmoid())

    def forward(self, x):
        att = self.attention(x)  # 生成注意力权重
        return x * att  # 特征动态调制

from monai.metrics import compute_meandice

dice = compute_meandice(
    y_pred=outputs,  # 模型预测
    y=labels,        # 真实标注
    include_background=False  # 忽略背景类
)