SPG-CDENet：用于多器官分割的空间先验引导的交叉双编码器网络

于红博

摘要: 多器官分割是计算机辅助诊断中的关键任务。虽然最近的深度学习方法在图像分割方面取得了显著的成功，但器官大小和形状的巨大变化挑战了它们在多器官分割中的有效性。为了解决这些挑战，我们提出了一种空间先验引导的交叉双编码器网络（SPG-CDENet），这是一种旨在提高多器官分割准确性的新型两阶段分割范式。我们的SPG-CDENet包括两个关键组件：一个空间先验网络和一个交叉双编码器网络。先验网络生成粗略的定位图，勾画出近似的感兴趣区域（ROI），作为双编码器网络的空间引导。交叉双编码器网络包括四个基本组件：一个全局编码器，一个局部编码器，一个对称交叉注意力模块和一个基于流的解码器。全局编码器从整个图像中捕获全局语义特征，而局部编码器专注于来自先验网络的特征。为了增强全局和局部编码器之间的交互作用，提出了一个对称交叉注意力模块，跨越所有编码器层来融合和优化特征。此外，基于流的解码器直接将高级语义特征从最终编码器层传播到所有解码器层，最大化特征的保留和利用。对两个公共数据集进行了大量定性和定量实验，结果表明与现有分割方法相比，SPG-CDENet具有更优越的性能。此外，消融研究进一步验证了所提出模块在提高分割准确性方面的有效性。

更新时间: 2025-10-30 11:33:29

领域: eess.IV,cs.AI,cs.CV

下载: http://arxiv.org/abs/2510.26390v1