医学影像分割在计算机辅助诊断、手术规划等医疗场景中具有重要作用。如何准确高效地分割不同组织结构，特别是对结构复杂、尺度差异大的解剖结构进行精确分割，是当前医学影像人工智能分析和辅助诊断的重要挑战之一。近日，苏州医工所戴亚康研究团队围绕医学影像分割核心算法开展了研究工作。
工作1：层次化血管形态学习与噪声标签优化联合的血管分割方法。研究团队提出了层次化血管形态感知网络，通过多尺度局部形态感知实现血管多尺度形态特征的动态捕捉，并构建全局形态保持损失以确保分割的完整性。进一步提出不确定性感知蒸馏策略，通过不确定性标签优化模块迭代修正噪声标签。该研究为复杂血管分割任务提供了兼顾多尺度特征建模与噪声鲁棒性的解决方案，有望推动血管影像分割技术在临床中的实际应用。
相关研究成果以“JHN-Seg: Multi-scale vascular segmentation via Joint Hierarchical Morphology learning and noisy label refinement”为题发表于Expert Systems With Applications(中国科学院一区TOP)。苏州医工所周志勇研究员、硕士研究生张哲源和胡冀苏副研究员为论文共同第一作者，戴亚康研究员为通讯作者。该研究得到国家自然科学基金（U23A20483和62271480）等项目的支持。
论文链接：https://doi.org/10.1016/j.eswa.2025.128096
图1 层次化血管形态学习与噪声标签优化联合的血管分割网络
图2 不同方法的肝脏血管分割结果对比
工作2：双层稀疏注意力网络联合窄带损失的多器官分割方法。研究团队提出了双层稀疏注意力分割网络，通过粗粒度的图像块级注意力自适应选择语义相关区域，降低全局建模的计算复杂度；通过细粒度的像素级注意力精准表征组织边界上下文信息，提升小尺度复杂组织的识别能力。进一步提出了窄带损失函数，通过聚焦于组织边界邻域分割误差，同时约束过分割与欠分割区域，提升分割方法的鲁棒性与泛化能力。该方法经过MRI脑区分割、MRI脑肿瘤分割及CT腹部多器官分割等多个任务验证，有望为医学影像多组织分割提供技术支持。
该工作以“BSA-Seg: A Bi-level Sparse Attention Network Combining Narrow Band Loss for Multi-Target Medical Image Segmentation”为题发表于神经网络研究期刊《Neural Networks》（中国科学院二区Top）。苏州医工所周志勇研究员、博士研究生周哲臣、钱旭升副研究员为论文共同第一作者，苏州医工所戴亚康研究员、南京脑科医院章文斌主任医师为论文共同通讯作者。
本研究得到科技部（MOST）2030 脑计划项目（No. 2022ZD0208502），国家自然科学基金（62271480，62301557，U23A20483）等项目资助。
论文链接：https://doi.org/10.1016/j.neunet.2025.107431
图3 基于双层稀疏注意力网络的多器官分割方法
图4 不同方法的分割结果对比。从上自下分别为脑区、肿瘤和腹部器官分割，BSA-Seg为本研究团队提出的分割方法。
附件下载：
