BiF-SegNet：双分支特征融合的腹部多器官图像分割方法

摘要

腹部多器官图像分割，因器官形态差异大、空间分布不均及个体解剖差异而充满挑战。现有方法在边界细节建模、多尺度特征融合与计算开销控制之间难以兼顾，尤其在处理边界模糊、小体积或形态多变的器官时，分割性能仍显不足。为此，本文提出了一种双分支特征融合分割网络：BiF-SegNet，以兼顾局部精细表征与全局语义建模。具体而言，该网络包含两个并行的编码分支：局部编码器通过引入像素差异卷积以增强边界与细节特征的捕捉能力；全局编码器基于Transformer架构并设计了高效的空间注意力缩减模块，在保证全局上下文建模能力的同时显著降低了模型复杂度。此外，设计的多重注意力特征融合模块实现了局部与全局特征的深度互补与协同建模，从而提升整体表征能力。在两个公开的腹部多器官数据集以及一个心脏数据集上进行实验评估，结果表明：所提出方法在平均Dice系数和HD₉₅方面均优于SOTA方法，且凭借轻量化设计仅需26.74 M参数和6.85 G的FLOPs，展现出优越的性能-效率平衡。

关键词

多器官图像分割 / 特征融合 / 像素差异卷积 / 空间缩减注意力