基于压缩稀疏双分支结构的3D医学图像分割网络CSSNet在低对比度组织鉴别中的突破性应用

本文推荐：作者团队创新性提出压缩稀疏分割网络（CSSNet），通过双分支架构（瓶颈编码分支采用信息瓶颈理论压缩特征，全局注意力稀疏化分支结合多头子空间自注意力（MSSA）与过完备字典学习（ODL））增强组织间特征鉴别力，并设计多尺度注意力融合（MAF）模块优化特征交互。实验在BraTS 2021、iSeg 2019（MRI）和MSD（CT）数据集验证其超越主流方法的性能，尤其显著提升低对比度医学图像的Dice与HD95评分。

　　

Highlight

• 本研究首次将压缩编码理论（信息瓶颈）与稀疏表示理论同步引入医学图像分割任务，提出双分支3D模型CSSNet，通过特征压缩与稀疏化增强类别间鉴别能力。

• 设计的MAF模块创新性融合双分支编码器各层特征，通过跨尺度注意力机制提升模型分割精度。

• 在BraTS 2021、iSeg 2019（MRI）及MSD脾脏（CT）数据集上的实验表明，CSSNet能有效提取判别性特征，为医学图像分割算法提供新解决方案。

Overall structure of the proposed model

模型分析表明，基于信息瓶颈的压缩编码与稀疏表征可分别聚焦不同特征。如图2所示，给定图像X∈R^C×H×W×D（C/H/W/D分别代表通道数、高度、宽度和深度），先通过3D CNN下采样，双分支并行处理：瓶颈编码分支采用IB理论过滤冗余信息；全局注意力分支通过MSSA捕获长程依赖，ODL模块强化特征稀疏性。MAF模块动态融合双分支多尺度特征，最终拼接输出分割结果。

Datasets and evaluation metrics

实验采用BraTS 2021（1251例）、iSeg 2019（41例）和MSD脾脏（10例）数据集，按比例划分训练/验证/测试集。评估指标包含Dice系数（衡量重叠度）和HD95（边界距离误差），CSSNet在BraTS 2021测试集取得最优均值。

Conclusion

CSSNet通过双分支协同机制解决医学图像中组织特征相似与背景噪声的挑战：瓶颈编码分支保留标签相关特征，全局注意力分支利用MSSA-ODL组合增强类别差异。MAF模块的多尺度融合策略进一步优化特征互补性，为复杂医学图像分割提供新范式。