.png){kind=icon}
返回
Tri-HGNet: A feature-driven dynamic hypergraph framework for medical image segmentation
.png){kind=icon}
PRE
AI
DOI：10.1016/j.neucom.2026.134621.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
医学图像的精确分割对于临床诊断和治疗规划至关重要。尽管现有方法在该领域取得了显著进展，但它们在动态捕捉与图像内容紧密耦合的多尺度、高阶语义关系方面仍面临挑战。为解决此问题，我们提出了一种特征驱动的动态超图构建方法——特征驱动的动态超图拓扑，并基于此设计了Tri-HGNet框架。与依赖静态或结构自适应图模型的模型不同，Tri-HGNet的核心设计在于一种异构超图结构，该结构在每次前向传播时根据中间层演变的语义特征，并行重构三种结构不同的拓扑。这一机制通过三种互补的超边构建策略实现：(1) 全局k-NN超边用于捕捉长距离依赖；(2) 局部窗口超边用于精细的边界和纹理界定；(3) 语义原型超边用于强制跨区域类别一致性。这些异构信息源在一个对称归一化的超图卷积框架内进行整合。在三个具有挑战性的公开数据集上的大量实验证明了Tri-HGNet的有效性。值得注意的是，它在Synapse多器官CT数据集上实现了竞争性的84.23% Dice相似系数（DSC），与最强基线相当，同时在息肉和皮肤镜病灶分割任务中取得了显著改进。我们的工作为医学图像分割提供了一种灵活且有效的基于图的建模框架。
Keyword:
Medical image segmentation
Deep learning
Hypergraph neural network
Skip connections
U-net
