摘要
口腔黏膜病变的精确分割仍然充满挑战，因为病变区域往往与周围黏膜相似，表现为细微的颜色差异、微弱的纹理对比、边界不清，以及唾液、褶皱、反光和光照不均等干扰因素。本研究提出了 RIVER-NET，以改善复杂口腔内图像中的口腔黏膜病变分割。RIVER-NET 是一种 U 型多分支渐进聚合网络，集成了三个任务导向模块。多尺度残差单元 (MSRU) 在空间下采样之前捕获多尺度黏膜纹理变化和不规则病变形态。动态门控上下文融合 (DGCF) 实现了门控式编码器 - 解码器上下文交互，在保留病变细节的同时抑制类似病变的干扰因素。多尺度对齐与注意融合 (MAAF) 对齐并进行注意力聚合多级特征，以减少语义 - 空间错位并增强边界恢复。在口腔病理黏膜 (OPM) 数据集上，RIVER-NET 取得了 75.59% 的 Dice 分数和 0.632 的 IoU，在 Dice 指标上比 U-Net 高出 30.88 个百分点，比 nnU-Net 高出 5.23 个百分点。组件级及参数匹配替换的结果与当前实验设置下 MSRU、DGCF 和 MAAF 的互补效应一致。在独立的公开 ISIC 数据集上，模型采用五折交叉验证进行训练和评估，RIVER-NET 达到了 94.62 ± 2.18% 的 Dice 分数和 0.900 ± 0.039 的 IoU。在未经过外部 Autooral 数据集微调的情况下，它取得了最高的 Dice 分数 (0.5547) 和特异性 (0.9324)。RIVER-NET 在评估的数据集上展现了令人满意的分割性能。这些发现证明了算法层面的可行性，但并未表明其已准备好投入临床使用。
