关键词：医学图像分割（Medical Image Segmentation）、解码器设计（Decoder Design）、深度到空间上采样（Depth-to-Space Upsampling）、残差线性注意力（Residual Linear Attention）、通道与空间注意力（Channel and Spatial Attention）、多尺度特征融合（Multi-scale Feature Fusion）

一、导读

在医学图像分析中，精准地分割出生物标志物（如细胞核、线粒体）对疾病诊断至关重要。然而，由于图像中目标大小不一、边界模糊、染色差异大，现有的分割模型往往难以准确提取特征，尤其是在数据量有限的情况下。许多先进方法依赖预训练的编码器，但解码部分效率不高，导致信息丢失，分割效果不理想。

为了解决这些问题，本文提出了一种名为MCADS的新型解码器结构，它通过深度到空间上采样和注意力机制来更好地融合多尺度特征，提升分割精度。实验表明，该方法在多个公开数据集上显著优于现有最优模型，平均提升约3%的IoU指标。

原文、这里：CVPR'25 医图论文｜医学图像分割新突破：MCADS以多尺度融合+残差注意力，精准分割生物标志物

二、论文基本信息

• 论文标题：Rethinking Decoder Design: Improving Biomarker Segmentation Using Depth-to-Space Restoration and Residual Linear Attention

• 作者姓名与单位：Saad Wazir, Daeyoung Kim（KAIST）

• 发表日期与会议/期刊来源：CVPR 2025

• 论文链接：https://github.com/saadwazir/MCADS-Decoder

三、主要贡献与创新

1. 提出MCADS解码器，融合多尺度特征并引入深度到空间上采样。

2. 设计残差线性注意力块（RLAB），增强编码器与解码器特征融合。

3. 提出通道与空间注意力块（CASAB），强化关键通道与区域。

4. 改进U2-Net编码器，增强多尺度上下文信息提取能力。

5. 通过大量实验验证方法在多个数据集上的优越性与鲁棒性。

原文、这里：CVPR'25 医图论文｜医学图像分割新突破：MCADS以多尺度融合+残差注意力，精准分割生物标志物https://mp.weixin.qq.com/s/Jb9OcEaRkHjOeCGk7NZxuA

四、研究方法与原理

本文核心思路是通过新型解码器设计，更好地融合编码器提取的多尺度特征，并利用注意力机制强化关键信息，提升分割精度。

• 卷积块（Convolution Block, CB）使用深度可分离卷积减少参数量，公式为：

• 深度到空间上采样块（DSUB）通过  操作恢复空间细节，公式为：

• 有效上采样块（EUB）结合双线性插值与卷积块，减少噪声：

• 通道与空间注意力块（CASAB）融合通道与空间注意力，公式为：

  其中  和  分别使用全局池化与多类型池化操作。

• 残差线性注意力块（RLAB）通过残差连接与自注意力机制融合编码器与解码器特征：

  其中  为自注意力计算。

五、实验设计与结果分析

• 数据集与评测指标使用 MoNuSeg、DSB、Electron Microscopy、TNBC 四个公开数据集，评测指标包括 IoU、Dice、Precision、Recall、FOR、HD95、ASD。

• 对比实验表1-4展示了在四个数据集上的对比结果，MCADS 在 IoU、Dice、HD95 等指标上均优于现有方法，如 U-Net、Hover-Net、EMCAD 等。

• 

  

  

• 可视化对比图4展示了分割结果的可视化对比，红色框标出错误预测区域，MCADS 在边界细节上表现更优。

  

• 消融实验表5-8分别验证了编码器改进、DSUB/EUB 模块、RLAB 与 CASAB 的有效性。例如，表8显示逐步加入各模块后 IoU 从 69.03 提升至 74.04。

• 

  

六、论文结论与评价

• 总结本文提出的 MCADS 解码器 通过多尺度特征融合、注意力机制与深度到空间上采样，显著提升了医学图像分割的精度与边界细节处理能力。

• 评价该方法在多个数据集上表现优异，尤其适用于小样本场景，具有良好的泛化能力。然而，模型参数量和计算复杂度较高，可能限制其在资源受限环境中的应用。未来可进一步优化效率，或探索在更多模态图像上的适用性。

• 原文、这里：CVPR'25 医图论文｜医学图像分割新突破：MCADS以多尺度融合+残差注意力，精准分割生物标志物https://mp.weixin.qq.com/s/Jb9OcEaRkHjOeCGk7NZxuA

『 往期推荐 』

CVPR'25医图论文｜全切片图像分类新范式！MExD 首提 “专家注入扩散” 架构，WSI 分类精度碾压 12 种 SOTA

MICCAI 2025｜脑病变分割重大突破！牛津团队U-Net 创新：模态无关通道+影像合成，训练外序列也能精准分割

赞啊！3D医学影像分析CVPR/ICML/TMI 2025顶会新成果！

医图论文 ICCV'25 | 太顶了！M-Net：时序处理+TPS双 buff，MRI 脑肿瘤登顶 SOTA！

别再卷传统分割了！ICCV'25 新宠 TextSAM-EUS：零手动标注，文本驱动 SAM 搞定超声胰腺肿瘤分割

刷屏 CVPR 2025！医学影像 + 多模态，这些创新方向绝对是当下发文好方向！

CVPR'25 重磅！SKCDF 框架破解医学分割痛点：数据流解耦 + 知识互补，小器官 Dice 飙升 10%+