医学图像分割新突破：基于"全局捕获-局部雕刻"策略的CarveNet分层信息整合网络

【编辑推荐】本文提出创新性"全局捕获-局部雕刻"理念，构建CarveNet网络解决医学图像分割四大痛点：通过结构雕刻池化模块（SCP）优化下采样，采用多窗口雕刻ViT（MC-ViT）增强局部表征，结合网格空间随机重组（GSRS）机制提升特征鲁棒性，在8个数据集上Dice系数平均提升1.136%，实现多病灶适应性、精度与泛化能力的协同突破。

　　

Highlight

医学图像分析中，精确的语义分割对器官识别、病灶检测和临床诊断具有重要价值。当前模型需在保留精细纹理细节的同时捕获长程依赖关系，并达到与专用网络相当的病理分类精度。现有方法存在四大局限：传统池化难以捕捉放射状特征、ViT局部细节表征不足、编解码接口信息处理简单化，以及模型过度特化导致的泛化能力受限。

Methods

本节详述网络设计：1）CarveNet采用"三编码器-双解码器"架构，整合不同感受野的卷积分支；2）下采样阶段引入SCP模块，包含扇形旋转窗口（FWLP）和分区差异化池化（BWUP）；3）瓶颈层采用对称循环编解码结构，结合网格状空间随机重组（GSRS）增强语义通信；4）解码阶段通过双重跳跃连接传递原始特征和MC-ViT优化特征。

Experiments

在8个医学影像数据集（6个二分类、2个多分类）测试显示：1）指标分析显示Dice系数平均提升1.136%；2）图像分析证实对血管分叉和微小肿瘤边缘的捕捉优势；3）箱线图显示跨数据集性能波动最小；4）移植实验验证模块在视网膜血管（DRIVE）和皮肤病变（ISIC2018）的适应性。

Discussion of limitations

计算复杂度分析显示：CarveNet的FLOPs位列第三，主要源于像素级雕刻机制带来的计算开销。参数数量达41.7M，在移动设备部署时需权衡精度与效率，未来将通过神经架构搜索（NAS）优化计算路径。

Conclusion

本研究提出的"全局捕获-局部雕刻"策略通过：1）多尺度卷积编码；2）GSRS全局特征重组；3）MC-ViT局部注意力机制，实现了医学图像分割三大突破——多病灶适应性（multi-lesion adaptability）、亚像素级精度（sub-pixel accuracy）和跨数据集泛化能力（cross-dataset generalization），代码已开源。