【报告内容】

汇报人： 陈弘毅

汇报单位：福建理工大学

主题：DyMAS-Net: Dynamic Multi-Scale Adaptive Sampling Network for Efficient Medical Image Segmentation

1、Introduction

2、Method

3、Experiments

4、Conclusion

【报告总结】

1.待解决的问题描述

1) 医学图像目标尺度差异大、组织结构复杂、病灶边界模糊，对模型多尺度特征提取能力要求高；网络复杂化后参数量与计算开销大，难以部署在资源有限的医疗设备。

2) 传统 CNN 感受野固定，难以捕获多尺度目标空间关系；Transformer 长距离依赖建模能力强，但自注意力计算成本高。

3) 传统解码器采用双线性插值、反卷积等固定上采样方式，难以适配病灶复杂形态，易出现特征空间错位、丢失边界细节。

4) 编码器与解码器存在语义差异，直接跳跃连接融合特征会引入冗余信息，降低分割精度。

2.相关创新方案

本文基于 U-Net 编解码对称结构，提出动态多尺度自适应采样网络 DyMAS-Net，包含三大核心模块：

1)分层多尺度卷积模块 HMCB：采用多分支深度卷积结构，通过逐点卷积扩展通道，并行使用 3×3、5×5、7×7 深度卷积提取多尺度特征，融合后恢复通道，搭配残差连接。在降低参数量与计算量的同时，捕获不同大小病灶的多尺度空间特征，改善梯度传播。

2)自适应动态采样模块 ADSM：基于可学习偏移量实现动态上采样。通过卷积预测采样位置偏移量，轻量化分支自适应约束偏移范围，结合GridSample完成插值。可依据图像局部结构动态调整采样坐标，缓解固定上采样带来的特征错位，保留病灶边界细粒度信息。

3)双重注意力融合单元 DAFU：结合深度可分离注意力门控DSAG与通道空间注意力模块CSAB。DSAG筛选编码器特征，抑制无关区域；CSAB联合通道、空间注意力优化融合特征，减轻编解码器之间的语义鸿沟，强化病灶区域与边界特征表达。

3.实验总结

1)数据集与实验设置：在乳腺超声、甲状腺超声、皮肤镜图像共7个数据集（BUSI、Breast-Lesions-USG、STU、DDTI、TN3K、ISIC2017、ISIC2018）开展验证；图像统一缩放至256×256，采用BCE+Dice 混合损失、Adam优化器训练。

2)对比实验：DyMAS-Net平均Dice达 87.19%；参数量仅6.24M，FLOPs为8.87G。精度优于 U-Net、TransUNet、SwinUNet、CARAFE 等模型，相比TransUNet参数量减少 93.3%，兼顾轻量化与分割精度；可视化结果证明模型能更好还原病灶轮廓，减少边界错分。

3)消融实验：在5个超声数据集验证模块有效性。仅 HMCB 可构建轻量化基础网络；增加DAFU可提升特征融合效果；三个模块联合使用性能最优，证明 HMCB、ADSM、DAFU三者互补，分别负责高效多尺度提取、动态空间恢复、编解码特征融合。

4.未来工作

当前研究仅在二维超声、皮肤镜图像上完成验证，尚未充分测试模型在CT、MRI等其他医学影像模态，以及强临床噪声场景下的泛化能力；后续将进一步研究 DyMAS-Net 的跨模态适应性，并评估模型在真实临床设备上的实际部署性能。

报告时间：2026年10月16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)