多尺度融合与特征重建卷积的甲状腺超声图像分割模型CS-Net：提升低质量医学图像分割准确性的创新方法

针对甲状腺超声图像对比度低、噪声干扰严重、边界模糊等挑战，北京建筑大学团队提出新型分割模型CS-Net，集成SCConv模块抑制冗余特征、CCT模块对齐多级语义、PagU模块动态加权融合。实验显示其在DDTI和TN3K数据集上Dice系数达87.36%和86.47%，显著优于UNet/TransUNet等模型，为低质量医学图像分割提供可靠解决方案。

　　

甲状腺超声图像在临床诊断中至关重要，但低对比度、噪声干扰和模糊边界等问题长期困扰着精准分割。传统方法如阈值分割和边缘检测难以应对复杂场景，而UNet等深度学习模型又面临特征冗余、语义鸿沟等挑战。北京建筑大学机械与车辆工程学院的研究团队在《Biomedical Signal Processing and Control》发表研究，提出创新模型CS-Net，通过空间通道重建卷积(SCConv)、通道交叉融合Transformer(CCT)和像素注意力上采样(PagU)三大模块，系统提升甲状腺病灶分割性能。

研究采用DDTI和TN3K两个公开数据集，通过多尺度训练策略和混合损失函数（IoU Loss+BCE Loss）优化模型。关键技术包括：1）SCConv模块通过SRU和CRU单元抑制空间/通道冗余；2）CCT模块利用多头跨通道注意力实现特征对齐；3）PagU模块基于像素级动态权重融合深浅特征。

研究结果显示：在DDTI数据集上，CS-Net的Dice系数达87.36%，较基准UNet提升10.71个百分点；在TN3K数据集仍保持86.47%的优异表现。可视化对比表明，CS-Net能准确分割连片病灶和微小病变，而UNet等模型存在过分割现象。高斯噪声实验中，CS-Net在9%噪声强度下Dice仅下降1.29%，显著优于TransUNet（4.19%降幅）。

通过系统消融实验验证了各模块贡献：单独使用SCConv可使mIoU提升5.03%，而完整模型组合使Recall指标达到86.84%。研究特别指出，CCT模块通过^Q_i=_TiWQi的查询机制，有效缓解了编码器-解码器间的语义差距。PagU模块则通过σ=σ(f_O(v?_O)·f_S(v?_S))实现特征动态加权，提升边界还原精度。

该研究的创新性体现在三方面：1）SCConv首次将空间/通道重建协同应用于医学图像分割；2）CCT创新性地将Transformer注意力机制引入跨尺度特征融合；3）PagU提出像素级自适应加权策略。尽管模型复杂度有所增加，但在保持轻量级的同时，为低质量医学图像分割建立了新范式。未来研究可向三维重建和移动端部署方向延伸，推动计算机辅助诊断系统的实际应用。