廖苗副教授团队在CCFA类中科院一区TOP期刊上发表论文

近日，我院廖苗副教授团队在CCFA类、中科院一区TOP期刊《IEEE Transactions on Image Processing》上发表研究成果“FocalTransNet: A Hybrid Focal-Enhanced Transformer Network for Medical Image Segmentation”。《IEEE Transactions on Image Processing》影响因子为13.7，是计算机科学领域的国际顶尖权威刊物，在“Computer Science: Computer Graphics and Computer-Aided Design”学科127个国际期刊中排名第3。

医学图像中的解剖结构具有高度可变性和复杂性，器官或病灶的形态、大小、位置因个体差异、病理状态等因素表现出广泛的多样性，尤其恶性肿瘤往往呈现边界模糊、浸润性生长等特点，与健康组织难以区分，这都给医学图像的自动精准分割带来了巨大困难。针对医学图像分割面临的挑战，本研究提出了一种新的混合Transformer网络FocalTransNet。为了增强模型特征提取能力，构建了焦点增强Transformer (Focal Enhanced Transformer, FE Transformer) 结构，并将其部署于整个编码路径。FE Transformer采用CNN-Transformer双路径结构，通过引入密集交叉连接，实现局部和全局特征的深度交互。与现有采用局部嵌入或堆叠策略的混合网络不同，提出模型能够在不同尺度上对局部和全局特征进行全面提取和深度融合。此外，提出了一种用于下采样的对称块融合模块，该模块通过建立特定的信息补偿机制解决了层级特征提取过程中下采样造成的细节丢失问题。提出模型在多个医学图像分割数据集上进行了验证，其性能显著优于当前主流的卷积网络、Transformer及其混合网络。该研究成果可为临床诊疗提供精准、可量化的解剖结构或病灶信息，辅助医生精确定位病灶范围、评估疾病进展，为手术规划、放疗靶区勾画、介入治疗导航等提供关键空间依据，提升医疗决策的准确性和治疗效率。