双路径编码与自适应感受野驱动的医学图像分割

目的受限于局部感受野，卷积神经网络难以有效建模长程依赖。现有研究尝试将 Transformer模块引入编码器、解码器或跳跃连接以增强全局信息建模能力，但此类局部式嵌入仍不足以捕获器官在尺度与形态高度可变情况下所呈现的复杂依赖关系。此外，传统卷积在训练后趋于静态，难以适应器官的几何形变，从而在一定程度上限制了模型对动态形变结构的表征能力。方法针对上述问题，提出一种端到端的医学图像分割框架，通过双路径编码与自适应感受野机制的协同设计，增强模型对全局—局部特征融合能力。具体而言，首先，设计了双路径编码结构，在多个网络层级融合卷积神经网络与Transformer特征，实现局部细节与全局上下文的渐进式融合；其次，构建编码器多层次融合机制，通过跨尺度信息交互整合浅层纹理与深层语义特征，增强模型对目标结构的多分辨率解析能力；最后，提出自适应感受野机制，基于像素级语义差距动态调整卷积核感知范围，突破静态卷积在形变组织表征中的瓶颈。结果实验在两个公开数据集上与最新的方法进行比较，在Synapse数据集中，本文方法较次优模型在DSC（Dice similarity coefficient）和HD95（95% Hausdorff distance）评价指标上分别提升0.54%和0.44；在ACDC（automated cardiac diagnosis challenge）数据集上的DSC值提高0.34%；消融实验进一步验证了双路径编码与自适应感受野机制的协同有效性。结论本文方法通过深度融合卷积神经网络局部感知与Transformer全局建模的各自优势，结合自适应感受野机制，有效解决了当前医学图像分割模型中全局—局部特征融合不足及卷积核参数静态固化的问题，实现了SOTA（state-of-the-art）级别的分割精度，为复杂医学图像分割任务提供了新的方案。代码已开源：https://github.com/Swq308/DPAR-Net。