近日，我校计算机与信息科学学院类生智能与计算团队(VITA)在人工智能与计算机科学领域国际顶级期刊《Knowledge-Based Systems》（中国科学院一区TOP期刊，影响因子7.6）上发表题为“Few-shot medical image segmentation via dual-stream feature extractor and detail-enhanced prototype transformer”的研究论文。我校计算机与信息科学学院教师胡伟为通讯作者，研究生吴攸与青年教师张文锋为共同第一作者。
少样本医学图像分割是医学人工智能研究中的重要方向之一，但长期面临两大关键难题：一是由于特征分布差异带来的类内差异显著，二是复杂背景干扰引发的极端类间不平衡。针对上述问题，研究团队提出了一种创新性的双流原型优化框架（DFDT），为数据稀缺场景下的高精度医学图像分割提供了新的解决思路。
论文提出了一种创新的双流原型优化框架（DFDT）。该研究首先构建了双流视觉特征融合模块（DVFF），将CNN提取的细粒度局部特征与SwinTransformer捕获的全局依赖并行融合，生成语义丰富的交互特征以降低类内差异。随后引入原型细节增强Transformer（PDET），通过多轮迭代的偏差校正与细节细化，系统性滤除复杂背景噪声并强化目标前景的核心信息。该方法成功将异构特征提取与Transformer深度优化相结合，为数据稀缺场景构建了一个极具潜力的高精度医学图像分割智能框架。
实验表明，DFDT模型在三个公开数据集的交叉验证中，均取得了当前最佳的分割精度。该模型不仅能精准捕捉微小器官边界，还在复杂背景下保持高度鲁棒性，在精准度与泛化能力间取得良好平衡，展现出在临床辅助诊断与智能医疗系统中的巨大应用潜力。
《Knowledge-Based Systems》是人工智能与信息系统领域的重要国际学术期刊，在知识工程、机器学习、计算机视觉等研究方向具有广泛影响力。近年来，该期刊持续关注深度学习、智能优化算法以及数据驱动方法在医疗健康与复杂系统中的前沿应用，积极推动人工智能技术与多学科交叉融合发展。
下一步，团队将继续深化人工智能与医学影像处理相结合的创新研究，推动跨模态泛化以及3D医学影像全方位分析等领域的实际应用，为服务妇女与儿童健康发展战略贡献更多智慧与力量。
论文链接：https://doi.org/10.1016/j.knosys.2026.115709
