基于全1×1卷积与多模态注意力机制的轻量化FOC-Net网络在肺结节精准分割中的创新研究

针对医疗边缘设备算力受限环境下肺结节分割精度不足的难题，研究人员提出轻量化FOC-Net网络，通过1×1卷积结合空间位移(SCR-Block)替代大卷积核，集成小波下采样(WBD)、通道优先空间注意力(CPSA)和权重感知特征融合(WAFF)模块，在LIDC-IDRI数据集上实现DSC 92.06%的SOTA性能，参数量仅0.64M，为移动医疗设备提供高效解决方案。

　　

肺结节作为肺癌早期筛查的关键标志物，其精准分割直接影响临床诊疗决策。当前主流分割模型如U-Net及其变体虽在精度上表现优异，但庞大的计算量难以部署在基层医院的移动CT设备；而轻量化模型如MobileNet又存在细节丢失问题。这种"高精度与低算力"不可兼得的矛盾，严重制约了AI辅助诊断技术在资源受限场景的普及。

中国的研究团队创新性地提出FOC-Net网络架构，通过全1×1卷积替代传统大卷积核，结合空间位移操作构建轻量化SCR-Block模块。该模型在LIDC-IDRI数据集上以仅0.64百万参数实现92.06%的Dice系数，较传统模型降低90%计算量的同时保持SOTA精度。相关成果发表于《Biomedical Signal Processing and Control》，为边缘医疗设备提供了可行的技术方案。

关键技术方法包括：1) 基于Haar小波的WBD模块实现无信息损失下采样；2) 通道优先的CPSA注意力机制增强结节区域聚焦；3) 多尺度WAFF特征融合模块优化上下文捕获。实验采用1018例LIDC-IDRI胸部CT扫描数据，通过-1000至+1000HU窗宽调整预处理。

【网络架构设计】
FOC-Net采用非对称U型编解码结构，编码阶段通过级联SCR-Block和WBD模块逐步提取特征。其中SCR-Block将标准3×3卷积分解为1×1卷积加空间位移操作，在保持5×5等效感受野的同时减少83%参数量。解码器引入CPSA模块，通过通道维度的全局平均池化生成空间权重图，使网络自适应聚焦结节区域。

【多模块协同验证】
WBD模块通过二维离散小波变换将特征图分解为LL/LH/HL/HH四个子带，仅对低频LL成分进行下采样，相比传统池化操作在ISIC-2018数据集上提升边缘分割精度2.3%。CPSA模块通过双重注意力机制（通道先验+空间重标定）使模型在复杂胸膜粘连场景下的JI指标提升4.15%。

【跨数据集泛化测试】
在皮肤病灶分割任务中，FOC-Net以89.36% DSC超越对比模型，验证了架构的普适性。消融实验表明，单独移除WAFF模块会导致小结节(<5mm)分割DSC下降6.72%，证实多尺度特征融合对微小目标检测的关键作用。

该研究突破性地平衡了模型精度与复杂度之间的矛盾：1) 1×1卷积与空间位移的协同设计为轻量化网络提供新思路；2) 小波域与传统CNN的融合有效解决医学影像特有的高频信息丢失问题；3) 注意力机制的可解释性有助于临床信任建立。值得注意的是，该方法在3D医学影像扩展性、实时性验证等方面仍存在探索空间，未来可结合神经架构搜索(NAS)进一步优化。