摘要

基于卷积神经网络的方法在生物医学图像分割任务中显著提升了性能。然而，大多数现有方法在处理尺寸可变的物体以及在小规模且存在偏差的数据集上训练时表现不佳，而这在生物医学应用中十分常见。尽管已有研究采用多尺度融合策略以应对尺寸变化带来的挑战，但这些方法通常依赖于结构复杂的模型，更适用于通用语义分割任务，难以满足生物医学图像分割的特殊需求。本文提出一种新型网络架构——多尺度残差融合网络（Multi-Scale Residual Fusion Network, MSRF-Net），专为生物医学图像分割任务设计。该网络通过双尺度密集融合（Dual-Scale Dense Fusion, DSDF）模块，实现不同感受野的多尺度特征高效交换。DSDF模块能够在两个不同分辨率层级间严格地进行信息交互，而MSRF子网络则通过级联多个DSDF模块，实现多层次的多尺度特征融合。该设计有效保留了图像的高分辨率信息，增强了特征信息的流动与传播，使高层语义特征与低层细节特征得以充分融合，从而生成更为精确的分割结果。所提出的MSRF-Net能够有效捕捉目标对象的尺寸多样性，在多个生物医学数据集上均取得了显著提升的分割性能。在四个公开可用的数据集上进行的大量实验表明，该方法在性能上超越了当前最先进的生物医学图像分割技术。具体而言，在Kvasir-SEG、CVC-ClinicDB、2018年数据科学碗（Data Science Bowl）数据集以及ISIC-2018皮肤病变分割挑战赛数据集上，分别取得了0.9217、0.9420、0.9224和0.8824的Dice系数。此外，为进一步验证模型的泛化能力，我们在CVC-ClinicDB和Kvasir-SEG数据集上进行了跨数据集测试，分别获得了0.7921和0.7575的Dice系数，充分展示了MSRF-Net在不同场景下的鲁棒性与适应性。