多尺度特征交互与融合的医学图像分割方法：提升小区域分割精度与边缘保持能力

本研究针对医学图像分割中的边缘丢失和小区域精度低等问题，提出结合CNN与Transformer的MSFIF-Net网络，通过MDGA和MSDAM模块实现多尺度特征交互与融合，在LAA & PV CT、ISIC-2018等多个数据集上验证了其优越性能，为小区域精准分割提供新方案。

　　

为应对医学图像分割中边缘信息丢失和小区域分割精度低的挑战，这项研究提出了一种创新分割网络MSFIF-Net，融合了卷积神经网络（CNN）和Transformer架构。基于TransUNet的框架，团队设计了两大核心模块：多组上下文注意力（MDGA）模块与多尺度扩张聚合（MSDAM）模块。MDGA模块通过促进多组上下文信息的交互与融合，增强了跨维度特征提取能力；MSDAM模块则整合多尺度扩张卷积与全局特征聚合，优化了跳跃连接中的特征融合效果。研究在左心耳与肺静脉CT（LAA & PV CT）、ISIC-2018、胸部X光及COVID-19 CT四个数据集上进行了广泛实验，并设计了一系列消融研究以验证各模块的有效性。实验结果表明，MSFIF-Net在五项定量指标上均优于现有模型，显著提升了医学图像中小区域分割的准确性。