Two-phase decoding network with boundary-region collaborative graph convolution for medical image segmentation

doi:10.1016/j.knosys.2026.116786

Two-phase decoding network with boundary-region collaborative graph convolution for medical image segmentation

2026-08-01

0

PRE

AI

DOI：10.1016/j.knosys.2026.116786

原文链接

原文求助

摘要

En 中文

基于图神经网络（GNN）的医学图像分析方法近年来已成为研究热点。然而，现有主流方法通常通过长程建模捕获医学图像中的空间相关性，往往忽略了边界与区域的协同表征，导致在目标病变区域和边界分割方面表现不佳。鉴于此，本文提出了一种具有边界-区域协同图卷积（BRCG）的两阶段解码网络（BRCG-TPDNet），包括全局协同阶段和特征增强与融合阶段。在全局协同阶段，边界-区域协同图卷积模块（BRCGM）构建双图学习分支和图协同单元（GCU），以实现边界和区域特征的互补增强，同时语义上下文模块（SCM）提取丰富的多尺度全局上下文信息以有效定位目标区域。随后，在特征增强与融合阶段，采用边界增强模块（BEM）进一步细化边界特征并提高其精度，之后应用密集特征融合模块（DFM）以深度整合多级特征，以丰富特征利用并获取最优分割结果。大量实验结果表明，BRCG-TPDNet在分割性能上优于当前最先进的方法。代码可在 https://github.com/Dragonfly990/BRCG-TPDNet 获取。

Keyword:

Boundary-region graph collaborative

Global context

Feature enhancement

Medical image segmentation

Two-phase decoding network with boundary-region collaborative graph convolution for medical image segmentation

摘要

期刊

机构

引用论文