CFRA-Net：融合粗粒度优化与逆向注意力的医学图像病灶分割新架构

针对医学图像分割中冗余特征与信息缺失的双重挑战，研究人员提出轻量级CFRA-Net网络，创新性整合粗粒度分层优化（Coarse-to-fine refinement）与逆向注意力（Reverse attention）机制，通过三阶段处理流程实现病灶精准分割。在Kvasir-WN-SEG等数据集上取得≥0.83 mDSC的显著性能，为临床决策提供高精度工具。

　　

医学图像分割是辅助疾病诊断和治疗规划的关键技术，但现有方法常面临冗余特征干扰或细节信息丢失的困境。主流模型如U-Net系列和Transformer架构往往仅侧重单一问题，而临床中正常样本的稀缺性进一步制约模型泛化能力。针对这些挑战，研究人员开发了CFRA-Net这一创新架构。

该研究由国内团队开展，发表于《Biomedical Signal Processing and Control》。团队通过构建三阶段处理框架：特征提取器实现分层表征学习，粗处理器生成多尺度粗分割掩膜，深度处理器则通过特征补全净化模块（FCPM）同步执行冗余特征剔除与细节重建。特别值得注意的是，研究还扩充了Kvasir-SEG数据集，新增正常样本构建Kvasir-WN-SEG，以解决医学影像数据中阴性样本不足的痛点。

关键技术包括：1）多感受野粗处理器优化多尺度特征；2）FCPM模块实现粗粒度优化与逆向注意力的双分支协同；3）跨模态验证策略（覆盖超声、内窥镜及X光影像）。实验设计上采用mDSC（平均Dice相似系数）和mIoU（平均交并比）作为核心指标，在BUSI乳腺超声、COVID-QU-Ex胸片等数据集进行系统验证。

研究结果
Coarse-to-fine refinement：通过多尺度特征与粗掩膜的矩阵运算分离已知/未知特征，采用层级卷积消除解剖结构冗余，使乳腺肿瘤分割的边界清晰度提升23%。

Methods：FCPM模块中逆向注意力机制通过逐层擦除策略（erasing strategy）从非已知特征中挖掘遗漏细节，在息肉分割任务中召回率提高15%。

Datasets：Kvasir-WN-SEG新增的阴性样本使模型假阳性率降低38%，证明正常样本对临床实用性的关键作用。

Results：在包含正常样本的测试中，CFRA-Net以0.87 mIoU超越PraNet等6个基线模型，计算效率较SwinUNETR提升2.3倍。

Discussion：该架构对MRI等模态展现强适应性，其粗粒度优化可处理脑肿瘤复杂结构，逆向注意力能补偿运动伪影导致的细节损失。

Conclusion：研究证实双策略协同可突破单方法性能瓶颈，阴性样本扩充显著提升临床适用性。该工作为医学AI领域提供了兼顾精度与泛化能力的解决方案，相关代码与数据集已开源。作者Rong Zhang等强调，未来可扩展至3D医学影像分析领域。