- 7 次围观
医学病理图像的精确且鲁棒分类对于计算机辅助诊断至关重要。然而，在高通量临床筛查中部署深度学习模型面临一个根本性挑战：诊断准确性与计算效率之间的权衡。当前的轻量级架构虽然通过分组卷积降低了参数复杂度，但往往会导致跨通道信息隔离以及表征能力下降。 本文提出了 TetraFuse，一种新颖的框架，能够系统性地融合来自四个互补域的特征：空间域、通道域、统计域和频率域。TetraFuse 引入了一种新的跨通道动态聚合（Cross-Channel Dynamic Aggregation, CCDA）范式，以可忽略不计的计算开销重建全局通道拓扑结构，从而解决组间隔离问题。为了平衡感知保真度与效率，我们设计了一种阶段感知的局部增强机制：局部方差引导增强器（Local Variance-Guided Enhancer, LVGE）用于滤除浅层阶段的背景噪声，而高频边界注入（High-Frequency Boundary Injection, HFBI）则增强深层阶段的病理轮廓，防止空间过度平滑。 在 COVID-19、ISIC 2018 和 Kvasir 数据集上的实验结果表明，TetraFuse 优于当前最先进的（SOTA）方法。值得注意的是，与 ResNet50 相比，TetraFuse-Tiny 在 FLOPs 上实现了 91.53% 的显著降低；在 Kvasir 数据集上，其仅用 0.345G FLOPs 即取得了 0.926 的准确率和 0.994 的 AUC。通过兼具强大的表征能力与极低的计算需求，TetraFuse 为大规模医学图像分析提供了一种可扩展的解决方案，尤其适用于资源受限的临床环境。
医学病理图像的准确且鲁棒分类对于计算机辅助诊断至关重要。然而，在高通量临床筛查中部署深度学习模型面临一个根本性挑战：诊断精度与计算效率之间的权衡。当前的轻量级架构虽然通过分组卷积降低了参数复杂度，但往往会导致跨通道信息隔离以及表征能力下降。
本文提出了 TetraFuse，一种新颖框架，能够系统性地融合来自四个互补域的特征：空间域、通道域、统计域和频率域。TetraFuse 引入了一种新的跨通道动态聚合（Cross-Channel Dynamic Aggregation, CCDA）范式，以可忽略不计的计算开销重建全局通道拓扑，从而解决组间隔离问题。为平衡感知保真度与效率，我们设计了一种阶段感知的局部增强机制：采用局部方差引导增强器（Local Variance-Guided Enhancer, LVGE）过滤浅层阶段的背景噪声，同时利用高频边界注入（High-Frequency Boundary Injection, HFBI）强化深层阶段的病理轮廓，防止空间过度平滑。
在 COVID-19、ISIC 2018 和 Kvasir 数据集上的实验结果表明，TetraFuse 优于当前最先进（state-of-the-art, SOTA）的方法。值得注意的是，与 ResNet50 相比，TetraFuse-Tiny 在 FLOPs 上实现了具有变革性的 91.53% 降幅；在 Kvasir 数据集上，它仅以 0.345G FLOPs 即取得了 0.926 的准确率和 0.994 的 AUC。通过结合强大的表征能力与极低的计算需求，TetraFuse 为大规模医学图像分析提供了一种可扩展的解决方案，尤其适用于资源受限的临床环境。
📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.06.02.729722v1?rss=1
🏷️ 医学图像分类 病理图像分析 深度学习 特征融合 轻量化网络 计算机辅助诊断