计算机科学与探索

作者：吴灿辉, 王乐, 毛国君, 饶艳莺, 苏宇征

单位：1. 福建理工大学 计算机科学与数学学院，福州 3501182. 福建理工大学 福建省大数据挖掘与应用技术重点实验室，福州 3501183. 福建省儿童医院，福州 3500044. 福建省妇幼保健院，福州 350001

关键词：医学图像分割,双分支并行编码器,多尺度特征,视觉状态空间,卷积神经网络

基金：国家自然科学基金（61773415）；福建省自然科学基金（2023J01954）。

在磁共振（MRI）和计算机断层成像（CT）等医学图像分割任务中，人体器官的边缘模糊、小器官难识别以及腹部多器官重叠等问题显著制约了分割精度。同时，主流方法如纯卷积神经网络（CNN）难以建模长距离依赖，而纯Transformer对局部细节捕捉不足且计算开销大。针对上述问题，利用全局特征与局部特征之间的互补性，提出双分支编码器DPEncoder，并在此基础上构建了医学图像分割模型PMCNet。DPEncoder采用双分支并行结构：一个分支基于视觉状态空间模型捕捉图像的全局上下文信息与长距离依赖关系；另一分支则利用卷积神经网络提取精细的局部特征和空间细节，并通过通道多尺度卷积特征融合模块有效增强了模型的复杂特征表征能力，很好地实现了全局与局部信息的互补融合。PMCNet基于U型结构，由DPEncoder编码器、对应的解码器以及跳跃连接共同组成，能够实现对MRI或CT切片的高精度分割。实验结果表明，所提出模型在Synapse、ACDC和AMOS2022数据集上的Dice指标分别较基于Mamba的模型Swin-UMamba提高了4.06、1.82和2.74个百分点，并且在与其他先进模型的对比中也展示出了显著的优势。

来源：2026年第4期

《计算机科学与探索》期刊编辑部

查看计算机科学与探索杂志2026年第4期