SGDC: Convolución Dinámica Guiada Estructuralmente para la Segmentación de Imágenes Médicas
SGDC: Structurally-Guided Dynamic Convolution for Medical Image Segmentation
February 26, 2026
Autores: Bo Shi, Wei-ping Zhu, M. N. S. Swamy
cs.AI
Resumen
La convolución dinámica espacialmente variable proporciona un enfoque fundamentado para integrar la adaptabilidad espacial en redes neuronales profundas. Sin embargo, los diseños predominantes en segmentación médica generan comúnmente núcleos dinámicos mediante average pooling, lo que implícitamente colapsa los detalles espaciales de alta frecuencia en una representación comprimida espacialmente y tosca, conduciendo a predicciones sobresuavizadas que degradan la fidelidad de las estructuras clínicas de grano fino. Para abordar esta limitación, proponemos un novedoso mecanismo de Convolución Dinámica Guiada por Estructura (SGDC), que aprovecha una rama de extracción de estructura explícitamente supervisada para guiar la generación de núcleos dinámicos y señales de gating para una modulación de características consciente de la estructura. Específicamente, la información de alta fidelidad de los límites procedente de esta rama auxiliar se fusiona con las características semánticas para permitir una modulación de características espacialmente precisa. Al reemplazar la agregación de contexto con una guía estructural pixel a pixel, el diseño propuesto evita efectivamente la pérdida de información introducida por el average pooling. Los resultados experimentales muestran que SGDC logra un rendimiento de vanguardia en los conjuntos de datos ISIC 2016, PH2, ISIC 2018 y CoNIC, ofreciendo una fidelidad de límites superior al reducir la Distancia de Hausdorff (HD95) en 2.05 y proporcionando ganancias consistentes de IoU del 0.99%-1.49% sobre las líneas base basadas en pooling. Además, el mecanismo exhibe un fuerte potencial de extensión a otras tareas de visión de grano fino y sensibles a la estructura, como la detección de objetos pequeños, ofreciendo una solución fundamentada para preservar la integridad estructural en el análisis de imágenes médicas. Para facilitar la reproducibilidad y fomentar la investigación futura, el código de implementación de nuestros módulos SGE y SGDC ha sido liberado públicamente en https://github.com/solstice0621/SGDC.
English
Spatially variant dynamic convolution provides a principled approach of integrating spatial adaptivity into deep neural networks. However, mainstream designs in medical segmentation commonly generate dynamic kernels through average pooling, which implicitly collapses high-frequency spatial details into a coarse, spatially-compressed representation, leading to over-smoothed predictions that degrade the fidelity of fine-grained clinical structures. To address this limitation, we propose a novel Structure-Guided Dynamic Convolution (SGDC) mechanism, which leverages an explicitly supervised structure-extraction branch to guide the generation of dynamic kernels and gating signals for structure-aware feature modulation. Specifically, the high-fidelity boundary information from this auxiliary branch is fused with semantic features to enable spatially-precise feature modulation. By replacing context aggregation with pixel-wise structural guidance, the proposed design effectively prevents the information loss introduced by average pooling. Experimental results show that SGDC achieves state-of-the-art performance on ISIC 2016, PH2, ISIC 2018, and CoNIC datasets, delivering superior boundary fidelity by reducing the Hausdorff Distance (HD95) by 2.05, and providing consistent IoU gains of 0.99\%-1.49\% over pooling-based baselines. Moreover, the mechanism exhibits strong potential for extension to other fine-grained, structure-sensitive vision tasks, such as small-object detection, offering a principled solution for preserving structural integrity in medical image analysis. To facilitate reproducibility and encourage further research, the implementation code for both our SGE and SGDC modules has been is publicly released at https://github.com/solstice0621/SGDC.