基于异构编码器特征差异融合与三重一致性训练的医学图像半监督分割方法IHE-Net

本文推荐一种创新的半监督医学图像分割框架IHE-Net，通过融合CNN与Transformer/Mamba异构编码器的特征差异（MFDF模块），结合三重一致性学习策略，显著提升皮肤病变分割精度。该方法在ISIC2017/2018和PH2数据集上验证了其优越性，为复杂医学图像分析提供新思路。

　　

Highlight

IHE-Net创新性地利用CNN与Transformer/Mamba双异构编码器的特征差异，通过多级特征差异融合模块（MFDF）增强模型表征能力，同时引入三重一致性训练策略（含双解码器和混合输出一致性），显著提升皮肤癌病灶边界的识别精度。

Introduciton

医学图像分割是计算机辅助诊断的核心任务，尤其在皮肤癌领域，精准划分病变区域对早期筛查至关重要。传统单编码器教师-学生（TS）框架难以捕捉细微语义特征，而IHE-Net通过异构架构突破这一局限。

Medical image segmentation

从U-Net到Laplacian-former，多尺度医学图像分割技术持续演进。IHE-Net在此基础上整合CNN的局部特征提取优势与Transformer/Mamba的全局上下文建模能力，实现更鲁棒的病灶边界检测。

Proposed method

如图1所示，IHE-Net包含CNN和Transformer/Mamba双编码器、主预测解码器及多尺度融合解码器。MFDF模块通过动态权重分配融合异构特征，其计算效率优于传统注意力机制。

Datasets and pre-processing

ISIC2017：含2750张分辨率差异显著的皮肤镜图像；ISIC2018：2594张训练图像涵盖多种病灶形态；PH₂：200张标准图像提供均匀分布的数据基准。所有数据均经过标准化和增强处理。

Conclusion

IHE-Net通过异构特征互补和三重一致性约束，在皮肤病变分割中实现SOTA性能。未来可扩展至其他医学影像模态，为临床诊断提供自动化支持。