多尺度融合技术在运动员软组织损伤后实时图像观测与数据分析中的应用

《Current Medical Imaging》：Multi-Scale Fusion for Real-Time Image Observation and Data Analysis of Athletes after Soft Tissue Injury

运动员软组织损伤医学影像分割中，提出基于改进Swin-Unet的模型，通过FPN多尺度特征融合和自适应窗口选择机制提升分割精度。实验表明，该模型在OAI-ZIB数据集上DSC达0.978，边界Hausdorff距离3.21，诊断时间缩短至6分钟，优于传统方法和主流架构。

　　

摘要

目的：为了解决运动员软组织损伤分析中分割精度不足的问题，本研究提出了一种改进的Swin-Unet模型，该模型通过FPN（特征金字塔网络）实现多尺度特征融合，并采用自适应窗口选择机制来动态调整感受野。

方法：采用加权混合损失函数（结合Dice损失、交叉熵损失和边界辅助损失）来优化分割精度和边界识别效果。

结果：在OAI-ZIB数据集上使用10折交叉验证进行评估，该模型的Dice相似系数（DSC）达到了0.978，优于基线Swin-Unet和主流架构。在交并比（IoU，0.968）和边界Hausdorff距离（3.21）方面也表现出更优的性能，同时诊断时间显著缩短（6.0分钟 vs. 手动诊断的16.8分钟）。

结论：该框架提升了运动员损伤的实时医学成像分析能力，提高了软组织分割任务的准确性、效率和临床实用性。

关键词： 运动员损伤, 软组织损伤, 医学成像, 多尺度融合, 图像分割, FPN