病灶引导多任务学习网络

分割分类协同增强

通过病灶区域增强和组织空间关系建模，同时提升医学图像分割精度与分类可靠性，缓解多任务学习中的负迁移问题。

Guowei, Dai · Dai, Duwei · Chaoyu, Wang · Tang, Qingfeng · Hamilton, Matthew · 陈虎 · 张意

IEEE Transactions on Circuits and Systems for Video Technology 2025

技术优势

病灶定位增强

GradCAM引导的注意力模块精确定位并增强病灶区域，为分割和分类提供共同先验。

组织空间关系建模

对比学习捕捉局部-全局空间依赖，建立有效解剖上下文。

多尺度特征提取

混合小波-状态注意力块结合调制小波变换与结构化状态空间模型，保持计算效率。

应用场景

• 乳腺影像智能诊断：在乳腺X线和超声上同时给出病灶边界与恶性分级，辅助临床决策。
• 计算机辅助诊断：输出可解释的分割结果与分类结论，融入诊断流程。
• 医学影像多任务分析：通过解剖先验促进任务间协同，减少负迁移，提升整体性能。
• 智能医学图像处理：处理乳腺X线和超声等多种模态，提取多尺度特征用于分析。