Progressively evolutionary deep learning network for 3D medical image segmentation

Zihao Lv

doi:10.1016/j.patcog.2026.114201

Progressively evolutionary deep learning network for 3D medical image segmentation

2026-09-29

0

PRE

AI

DOI：10.1016/j.patcog.2026.114201

原文链接

原文求助

摘要

En 中文

受提高包含局部不规则形状和个体间高度变异形状的器官病例分割效果的目标驱动，提出了一种新颖的双分支框架用于3D医学图像分割。图像分支利用嵌套的跳跃连接和跨切片特征建模模块来捕获丰富的语义上下文。点云分支通过演化模块和自适应拓扑优化迭代细化表面网格，确保平滑且一致的形状。解剖合理性通过复合损失函数进一步强化，该函数结合了空间一致性损失、表面距离损失、法线一致性损失和拉普拉斯损失。该方法在两个腹部分割挑战数据集（BTCV和FLARE2021）上的有效性已得到验证。此外，我们在MM-WHS挑战数据集上评估了该方法的一般化能力。我们的方法在FLARE2021数据集上的总体得分排名第4，并在腹部分割中取得了最具竞争力的结果之一。代码可访问：https://github.com/secret353/code。

Keyword:

3D medical image segmentation

Dual-branch framework

Cross-slice feature modeling

Adaptive topology optimization

Progressively evolutionary deep learning network for 3D medical image segmentation

摘要

期刊

机构

引用论文