胰腺肿瘤分割精度领先
针对胰腺与肿瘤形态多变、边界模糊的难题，通过三个特征融合模块动态整合形态、语义与全局上下文信息，在公开数据集上超越12种现有方法。
Xue, Jie · Qi, Li · Gong, Guanzhong · 刘希玉 · Chao, Li · Lianghui, Cheng · Shulei, Chang · 梁淑君 · 李登旺
Pattern Recognition 2025
AMF² 模块动态学习目标从骨架到边界的形态特征，缓解对形态多变胰腺目标的欠分割问题。
BSF² 模块优化预测与人工标注之间的互信息，同时丢弃特征间的冗余信息，捕捉更一致的特征表达并减轻噪声干扰。
LGDF² 模块通过轻量级Transformer融合CNN的局部特征与浅层提供的全局信息，增强模型对边界和内容特征的把握能力。
在MSD胰腺数据集上的实验结果表明，MF2N网络在分割性能上超越了12种最先进的方法，并展示了在其他潜在临床场景中的应用可能。