《Computers in Biology and Medicine》：DEC-UNet: A dual-encoder feature fusion and CARAFE upsampling UNet for medical image segmentation
编辑推荐：
针对医学图像中病灶形态复杂、边界不规则导致分割精度低的问题，研究人员提出了一种基于DEC-UNet的医学图像分割模型。引入了一种基于C-FEM和RCW-Transformer的双编码器架构，同时提取局部和全局特征，其中C-FEM用于捕捉纹理和边界等局部特征，R
针对医学图像中病灶形态复杂、边界不规则导致分割精度低的问题，研究人员提出了一种基于DEC-UNet的医学图像分割模型。引入了一种基于C-FEM和RCW-Transformer的双编码器架构，同时提取局部和全局特征，其中C-FEM用于捕捉纹理和边界等局部特征，RCW-Transformer用于捕捉整体形态和空间位置等全局特征。为充分融合双编码器提取的特征，引入了DCA（双分支交叉注意力）来计算局部和全局特征之间的交叉注意力权重，学习它们的相似性和差异性，并保留每个编码器的判别信息。融合后的特征通过跳跃连接传递到相应的解码器层级。在解码器中，采用CARAFE（内容感知特征重组）进行自适应上采样，以减少边缘特征的损失，从而提高分割精度。在Kvasir-SEG、ACDC和Synapse数据集上分别进行了实验。与基于CNN（卷积神经网络）、基于Transformer和基于CNN-Transformer的模型相比，DEC-UNet取得了最高的DSC（Dice相似系数）分别为89.38%、91.24%和93.83%，最低的HD（豪斯多夫距离）分别为9.43mm、8.13mm和6.64mm。结果表明，DEC-UNet提高了医学图像分割的准确性。
医学图像分割是临床诊断与手术规划的关键技术，但病灶形态复杂、边界不规则导致现有模型分割精度不足。基于CNN（Convolutional Neural Network）的模型（如UNet及其变体）全局特征提取能力弱，而基于Transformer的模型（如Swin-UNet）局部特征提取易丢失边界信息。双编码器结构虽能兼顾局部与全局特征，但现有融合方法（直接拼接或相加）忽略特征差异，解码器上采样（双线性插值或转置卷积）引入平滑效应加剧边缘损失。为此，研究人员提出DEC-UNet（Dual Encoder feature fusion and CARAFE upsampling UNet），通过双编码器、交叉注意力融合和自适应上采样提升分割精度。该模型在Kvasir-SEG、ACDC和Synapse三个公开数据集上取得最优DSC（Dice相似系数）与HD（豪斯多夫距离）指标，验证了其有效性。论文发表在《Computers in Biology and Medicine》。
### 关键技术方法
主要采用三项技术：（1）双编码器架构：C-FEM（Cross-Feature Extraction Module）提取纹理、边界等局部特征，RCW-Transformer（Residual Cross-shaped Window Transformer）提取形态、空间位置等全局特征；（2）DCA（Dual-branch Cross Attention）特征融合模块：计算局部与全局特征的交叉注意力权重，学习相似性与差异性，保留各编码器的判别信息；（3）CARAFE（Content-Aware ReAssembly of Features）自适应上采样：在解码器中重组特征，减少平滑效应导致的边缘特征丢失。样本来源：Kvasir-SEG（结直肠息肉分割，1000张图像，8:2划分训练验证集）、ACDC（心脏MRI分割）和Synapse（多器官分割）均为公开数据集。
### 研究结果
#### 数据集与实验设置
在Kvasir-SEG、ACDC和Synapse三个公共数据集上进行实验，分别涵盖结直肠息肉、心脏MRI和多器官分割任务。Kvasir-SEG按8:2分为800张训练集和200张验证集。采用DSC和HD作为评价指标。
#### 损失权重消融实验
为确定二值交叉熵损失L
BCE与Dice损失L
Dice的权重系数δ，在相同条件下进行7组实验（δ设为0、0.2、0.4、0.5、0.6、0.8、1）。结果表明，不同δ值影响分割性能，通过对比图9和表1-3可确定最优权重组合，为模型训练提供依据。
#### 总体性能比较
在Kvasir-SEG上，DEC-UNet的DSC达89.38%±1.23%，HD为9.43mm±2.67mm；在ACDC上，DSC为91.24%±0.85%，HD为8.13mm±1.95mm；在Synapse上，DSC为93.83%±0.72%，HD为6.64mm±1.38mm。与CNN-based、Transformer-based和CNN-Transformer-based模型相比，DEC-UNet在三个数据集上均取得最高DSC和最低HD，证明其分割精度、泛化能力和鲁棒性优势。
### 讨论与结论
#### 讨论总结
研究从架构优化角度探索提升分割精度的方法，双编码器融合局部与全局特征，DCA保留判别信息，CARAFE减少边缘损失。消融实验验证了各模块的有效性。但未提供直接讨论部分，需进一步分析模型在不同病灶形态下的适用性。
#### 研究结论翻译
在该研究中，提出了一种基于DEC-UNet的医学图像分割模型，并在Kvasir-SEG、ACDC和Synapse数据集上分别进行实验验证。引入集成C-FEM和RCW-Transformer的双编码器架构，同时提取图像的局部和全局特征，提高了分割精度。引入DCA来融合双编码器提取的特征，学习特征的相似性和差异性，有效保留了每个编码器的判别信息。在解码器中采用CARAFE进行自适应上采样，减少了平滑效应导致的边缘特征损失。实验结果表明，DEC-UNet在DSC和HD指标上均优于现有方法，显著提升了医学图像分割的准确性，具有重要的临床应用价值。
