SGDC: Convoluzione Dinamica Strutturalmente Guidata per la Segmentazione di Immagini Mediche

SGDC: Structurally-Guided Dynamic Convolution for Medical Image Segmentation

February 26, 2026

Autori: Bo Shi, Wei-ping Zhu, M. N. S. Swamy

cs.AI

Abstract

La convoluzione dinamica spazialmente variante fornisce un approccio metodologico per integrare l'adattività spaziale nelle reti neurali profonde. Tuttavia, le progettazioni predominanti nella segmentazione medica generano comunemente kernel dinamici attraverso l'operazione di average pooling, che implicitamente comprime i dettagli spaziali ad alta frequenza in una rappresentazione approssimata e spazialmente compressa, portando a predizioni eccessivamente levigate che degradano la fedeltà delle strutture cliniche a grana fine. Per affrontare questa limitazione, proponiamo un nuovo meccanismo di Convoluzione Dinamica Guidata dalla Struttura (SGDC), che utilizza un ramo di estrazione strutturale supervisionato esplicitamente per guidare la generazione di kernel dinamici e segnali di gating per una modulazione delle caratteristiche consapevole della struttura. Nello specifico, le informazioni ad alta fedeltà dei contorni provenienti da questo ramo ausiliario vengono fuse con le caratteristiche semantiche per abilitare una modulazione delle caratteristiche spazialmente precisa. Sostituendo l'aggregazione di contesto con una guida strutturale pixel-wise, la progettazione proposta previene efficacemente la perdita di informazioni introdotta dall'average pooling. I risultati sperimentali mostrano che SGDC raggiunge prestazioni all'avanguardia sui dataset ISIC 2016, PH2, ISIC 2018 e CoNIC, fornendo una fedeltà dei contorni superiore riducendo la Distanza di Hausdorff (HD95) di 2.05 e garantendo guadagni consistenti nell'IoU dello 0.99%-1.49% rispetto ai baseline basati su pooling. Inoltre, il meccanismo mostra un forte potenziale di estensione ad altri compiti visivi a grana fine e sensibili alla struttura, come il rilevamento di piccoli oggetti, offrendo una soluzione metodologica per preservare l'integrità strutturale nell'analisi delle immagini mediche. Per facilitare la riproducibilità e incoraggiare ulteriori ricerche, il codice di implementazione per entrambi i nostri moduli SGE e SGDC è stato pubblicamente rilasciato all'indirizzo 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.