MGA-Net:融合多尺度与通道移位的超声图像分割网络

摘要

针对医学超声图像分割中存在的斑点噪声干扰、病灶边界模糊及多尺度特征捕获不足等问题，本文提出了一种融合多尺度特征聚合和多组通道移位策略的轻量化网络MGA-Net.该网络通过引入多组通道移位下采样模块(MgCSD)和组聚合桥接模块(GAB),在降低模型复杂度的同时提升分割精度.MgCSD模块采用通道空间移位策略与尺度不变卷积，通过分组循环移位操作建立中心区域细节与边缘轮廓的关联性，结合全局加权增强机制保留多尺度纹理特征，相较传统下采样方法减少30%～40%参数量；GAB模块通过深度可分离卷积对齐编码器高级语义特征与解码器低级细节特征，利用掩膜引导的分组多尺度空洞卷积实现跨层级特征高效融合，有效缓解语义鸿沟问题.实验表明，在BUSI乳腺超声数据集上，MGA-Net的Dice系数达到93.4%,交并比IoU 88.9%,平均对称表面距离ASSD 1.02像素，参数量仅23.8M,较U-Net提升6.2%分割精度的同时降低23%计算复杂度.可视化结果显示，本文的方法在保留病灶细微结构、抑制伪影干扰方面具有显著优势，为临床医学影像的计算机辅助诊断提供了高效可靠的技术支持.

关键词

医学图像分割 / 多尺度特征 / 空洞卷积 / 卷积神经网络