【报告内容】

汇报人： 陈弘毅

汇报单位：福建理工大学

主题：CNN-Transformer Rectified Collaborative Learning for Medical Image Segmentation

1、Introduction

2、Method

3、Experiments

4、Conclusion

【报告总结】

1.待解决的问题描述

当前医学图像分割方法主要依赖两类模型：

CNN：擅长局部特征提取，但全局建模能力弱 → 定位不准确。

Transformer：擅长全局建模，但局部细节弱 → 边界粗糙。

虽然已有CNN+Transformer融合方法，但存在两个关键问题：

1）结构融合代价高：参数量大、计算成本高。

2）协同学习不可靠：

ologit层：错误预测会被互相传播（错误强化）

ofeature层：不同结构特征存在语义不一致（feature gap）

2.相关创新方案

本文提出 CTRCL框架，核心思想是：不融合结构，而是让两个模型协同学习（Collaborative Learning）。

主要包含两个关键创新：

1）RLCL：修正的logit协同学习（Rectified Logit-wise CL）

2）CFCL：类感知特征协同学习（Class-aware Feature-wise CL）

3.实验总结

1）数据集：Synapse（多器官CT）、ACDC（心脏MRI）、Kvasir-SEG（息肉分割）

2）评价指标：DSC（Dice）、JAC、HSD、MAE

3）核心实验结论：整体性能领先SOTA、双模型同时提升、模块有效性验证、.泛化能力强、计算优势。

4.未来工作

论文中也明确指出了局限性和方向：

1）计算成本问题：训练需要两个模型 → 计算开销较大，轻量化协同学习，单模型自蒸馏替代。

2）未来改进方向：引入自蒸馏（self-distillation），提升单模型能力再协同，更强的特征表达（减少初始误差）。

报告时间：2026年04月17日19:30

腾讯会议：311-5999-8176

点我下载本讨论课相关文献或PPT吧~(提取码：iipr)