FBB-HFNet:面向息肉分割的前景-背景-边界感知层次融合网络
《Computerized Medical Imaging and Graphics》:FBB-HFNet: Foreground-background-boundary aware hierarchical fusion network for polyp segmentation
【字体:
大
中
小
】
时间:2026年10月16日
来源:Computerized Medical Imaging and Graphics 5.5
编辑推荐:
摘要
准确的多项式分割是结直肠癌早期诊断的关键步骤。现有方法通常存在两个局限:层内通道子空间的利用不足,以及在反向注意力范式下无法显式处理高度模糊的边界像素。为解决这些问题,我们提出了FBB-HFNet,一种分层特征融合网络,集成了分组通道注意力增强块(GCAEB)和前景-
摘要
准确的多项式分割是结直肠癌早期诊断的关键步骤。现有方法通常存在两个局限:层内通道子空间的利用不足,以及在反向注意力范式下无法显式处理高度模糊的边界像素。为解决这些问题,我们提出了FBB-HFNet,一种分层特征融合网络,集成了分组通道注意力增强块(GCAEB)和前景-背景-边界注意力块(FBBAB)。GCAEB将编码器特征划分为并行子空间,并应用独立的通道注意力来捕捉互补的通道-子空间线索。FBBAB显式地将预测概率图分解为三个置信度图,分别对应前景、背景和边界混淆,从中确定性估计器为每个区域构建原型,然后通过可学习的区域原型注意力自适应地聚合上下文,有效缓解了息肉轮廓附近的前景-背景混淆。在五个公开基准上的大量实验表明,所提出的方法相比当前最先进的算法达到了竞争性或优越的性能。
引言
结直肠癌是全球最常见且最致命的恶性肿瘤之一(Sung等,2021),大多数病例源于结直肠息肉的恶性转化。结肠镜检查是目前筛查和切除癌前息肉的金标准;在此过程中,临床医生必须准确划定息肉边界以指导活检和切除。然而,由于肠腔内环境复杂、医生疲劳以及某些息肉外观不明显,手动划定耗时、易出错,并经常导致漏诊(Zhao等,2019)。因此,精确的自动化息肉分割已成为结直肠癌早期检测计算机辅助诊断系统中不可或缺的一部分。
尽管取得了相当大的进展,息肉分割仍然是一项极具挑战性的任务。如图1所示,息肉在形状、大小和纹理上表现出显著的类内多样性;其颜色和外观经常模仿周围的黏膜组织,产生强烈的伪装效应。此外,息肉与周围组织之间模糊且不规则的边界进一步削弱了分割模型所依赖的判别性线索。早期的基于形状先验或纹理和颜色描述符的手工方法计算效率高,但在这些复杂场景中缺乏鲁棒性,因为它们依赖于低级特征。随着深度学习的快速发展,端到端可学习表示相比手工特征取得了显著提升,并成为医学图像分割的主流范式。
在深度学习模型中,U-Net及其变体因其对称的编码器-解码器结构和促进多尺度特征融合的跳跃连接而被广泛采用。然而,解码器中的简单特征拼接往往无法恢复伪装息肉的精细边界。为此,PraNet(Fan等,2020)在Res2Net骨干上引入了并行反向注意力策略,以逐步挖掘边界线索;后续工作从编码器能力和边界细化方面做出了显著改进。例如,Polyp-PVT(Dong等,2023)采用金字塔视觉Transformer提取更丰富的全局上下文;HSNet(Zhang等,2022)和CAFE-Net(Liu等,2024)进一步引入Transformer和交叉注意力机制,以增强全局上下文建模和细粒度特征恢复;CFA-Net(Zhou等,2023)和BUNet(Yue等,2024b)分别从边界特征聚合和边界不确定性建模的角度加强了轮廓恢复。除此之外,许多近期工作持续推动息肉分割的进展:CCLDNet(Yang等,2022)引入了条件协同卷积以及将分割图拆分为中心和边界标签的病变解耦策略,以简化学习任务;(Huang等,2022)结合混合通道-空间注意力模块与金字塔全局上下文流,为每个解码器级别提供多尺度上下文;DAN-PD(Hu等,2022)将Transformer教师编码器与域感知并行解码器配对,通过对抗训练实现更好的跨数据集泛化;PedSemiSeg(Wang等,2025)将弱增强视图的教师式反馈与强增强视图之间的互惠同伴辅导相结合,在半监督设置下更好地利用未标记数据。虽然这些方法不断推动最先进技术的进步,但它们共享两个共同局限。首先,层内通道子空间仍未得到充分挖掘:大多数管线将通道集校准为单一流,而没有分离不同通道子空间携带的互补线索,如区域外观、边缘和纹理。其次,尽管一些方法利用了边界线索或预测不确定性(例如UACANet(Kim等,2021)和BUNet(Yue等,2024b)),但主流的反向注意力范式仍将前景和背景建模为两个互斥区域;边界附近最模糊的像素,其预测概率通常在0.5附近徘徊,且占据了大部分分割错误,很少被制定为具有其自身区域原型的显式第三区域,用于像素到区域的上下文聚合。
受上述观察启发,我们提出了FBB-HFNet,一种用于息肉分割的分层特征融合网络,专注于区域语义解耦和通道级表示增强。编码器采用Res2Net-50骨干提取分层特征,在此基础上我们构建了分组通道注意力增强块(GCAEB),通过划分通道子空间并应用并行通道注意力来细化每个尺度的特征,从而生成更丰富的通道-子空间表示。在解码器中,我们设计了前景-背景-边界注意力块(FBBAB),显式地将预测概率图分解为三个区域置信度图,并通过确定性估计器为每个区域构建区域原型,然后通过随后的可学习区域原型注意力学习自适应融合权重,使网络能够在保持主前景区域可判别性的同时聚焦于高度不确定的边界区域。结合深度监督策略,所提出的网络在多个分辨率级别上逐步细化分割预测,并生成精确的息肉掩膜。
本文的主要贡献总结如下:
1. 提出了一种用于精确息肉分割的分层特征融合网络。基于分层编码器-解码器骨干,在深度监督下多级特征被逐步细化,从而使边界模糊的小息肉能够精确定位。
2. 设计了一个前景-背景-边界注意力块(FBBAB),其中预测被显式分解为三个区域置信度图,确定性估计器为每个区域构建原型,随后的区域原型注意力学习自适应融合权重,从而有效缓解了伪装场景中的前景-背景混淆。
3. 在编码器中设计了一个分组通道注意力增强块(GCAEB),其中特征被划分为并行子空间,对每个子空间应用独立的通道注意力,并重新聚合响应,从而增强了编码器的通道-子空间和结构感知表示能力。
4. 在五个公开基准(CVC-300、CVC-ClinicDB、Kvasir-SEG、CVC-ColonDB和ETIS-LaribPolypDB)上进行了大量实验,与当前最先进的方法相比取得了竞争性或优越的性能。特别是,在五个基准中的四个上获得了最高mDSC,在保留的CVC-ColonDB上所有六项指标均排名第一,使用42.23M参数,比此处比较的分割基础模型中最大的SAM3-UNet少了一个数量级。
本文其余部分组织如下:第2节回顾相关工作。第3节详述所提出的方法。第4节介绍实验设置和结果。第5节总结全文。
章节片段
基于CNN的息肉分割
U-Net(Ronneberger等,2015)建立了带有跳跃连接的对称编码器-解码器范式,并被广泛适配于息肉分割;UNet++(Zhou等,2018)通过嵌套跳跃连接减少语义差距,而Focus U-Net(Yeung等,2021)和Enhanced U-Net(Patel等,2021)添加双注意力门控和分块非局部注意力以更好地捕捉多尺度上下文。PraNet(Fan等,2020)是一个里程碑,在整体……(原文此处截断)
整体架构
FBB-HFNet的整体架构如图2所示。给定输入结肠镜图像X∈R3×H×W,预训练的Res2Net-50-v1b骨干作为编码器,由四个级联的残差阶段组成。输入图像X依次通过这些四个阶段;第k个阶段在上一阶段输出基础上进一步下采样并提取语义更丰富的特征Xk,产生四个分层特征图:{X?,X?,X?,X?}=H_enc(X),其中H_enc(?)表示……
数据集
为评估FBB-HFNet的有效性,在五个广泛使用的公开息肉分割基准上进行了实验:Kvasir-SEG(Jha等,2020)、CVC-ClinicDB(Bernal等,2015)、CVC-ColonDB(Tajbakhsh等,2016)、CVC-300(EndoScene)(Vázquez等,2017)和ETIS-LaribPolypDB(Silva等,2014)。为公平比较,我们遵循PraNet(Fan等,2020)建立的标准划分协议:训练集由1450张图片组成(从……中随机采样900张……)
结论
我们提出了FBB-HFNet,一种前景-背景-边界感知的分层特征融合网络,用于息肉分割。通过在编码器中通过GCAEB协同校准通道子空间,并在解码器中通过FBBAB显式构建三个区域原型(前景、背景和边界混淆)并进行像素级交叉注意力,FBB-HFNet解决了两个长期存在的局限:层内通道子空间的利用不足以及……
CRediT作者贡献声明
沈佩琳:撰写初稿、验证、软件、方法论、概念化。刘明锐:撰写审阅与编辑、调查、形式分析。何思源:撰写审阅与编辑、监督、项目管理。
基金
本研究未获得任何公共、商业或非营利部门的特定资助。
利益冲突声明
作者声明他们不存在任何可能影响本文工作的已知竞争性经济利益或个人关系。
沈佩琳 | 刘明锐 | 何思源
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号