多尺度交互与局部增强桥接网络在医学图像分割中的创新应用

针对医学图像分割中多尺度特征融合不足和局部细节丢失问题，研究人员提出MILENet网络，通过多尺度交互模块（MSI）和局部增强模块（LE）实现全局关联与局部细节优化，在CT/MRI和内镜图像数据集上达到SOTA性能，为精准医疗诊断提供新工具。

　　

医学图像分割是辅助疾病诊断和治疗规划的关键技术，但传统方法面临多尺度特征错配和局部细节丢失的难题。现有基于CNN和Transformer的模型虽能分别捕捉局部特征和全局依赖，却难以平衡两者关系，导致小病灶或复杂解剖结构的分割精度不足。尤其当处理腹部CT中弥散性病变或内镜下息肉等跨尺度目标时，简单跳跃连接会引发特征对齐偏差，影响分割轮廓的连贯性。

针对这一挑战，重庆大学的研究团队在《Computerized Medical Imaging and Graphics》发表研究，提出MILENet——一种融合多尺度交互（Multi-scale Interaction, MSI）与局部增强（Local Enhancement, LE）模块的桥接网络。该网络通过PVT-v2编码器提取层级特征，创新性地设计上下文桥接结构：MSI模块采用跨尺度注意力重组特征，解决全局-局部特征错配；LE模块结合膨胀坐标注意力（Dilated Coordinate Attention）和级联卷积FFN（Feed-Forward Network），增强边缘敏感度；辅以源驱动连接（Source-Driven Connection, SDC）机制保留跨层细节。研究采用多模态验证策略，涵盖Synapse腹部CT、ACDC心脏MRI及5个结肠镜数据集（Kvasir、CVC系列等）。

关键技术包括：1）基于PVT-v2的多尺度特征金字塔构建；2）MSI模块的跨分辨率特征交互；3）LE模块的膨胀坐标注意力机制；4）SDC的残差-稠密混合连接。实验证明该方法在Dice系数和mIoU指标上显著超越TransUNet、SwinUNet等基线模型，尤其对胰腺（PC）等小器官分割提升达3.2%。

主要研究结果：

1. 多器官分割性能：在Synapse数据集上达到87.3% Dice分数，其中胰腺分割精度较SOTA提升2.9%，证明MSI模块对微小器官的捕获优势。
2. 心脏MRI分析：ACDC数据集中左心室分割误差降低15%，LE模块有效修复了传统方法的心肌边界模糊问题。
3. 内镜图像应用：在ETIS-LaribDB息肉分割中实现94.1%灵敏度，SDC机制显著改善锯齿状病灶边缘的连续性。

讨论指出，MILENet的创新性体现在三方面：首先，MSI-LE协同机制突破了传统编码器-解码器的单向信息流限制；其次，膨胀坐标注意力首次将空间-通道联合建模应用于医学图像桥接层；最后，多模态验证证实其泛化能力，从毫米级CT切片到亚毫米级内镜图像均适用。局限性在于对动态超声影像的时序特征捕捉尚未优化，未来拟引入3D卷积扩展。该研究为医学图像分析提供了可解释性强、跨模态通用的新框架，代码已开源（GitHub/syzhou1226/MILENET）。