（TCSVT2025）CNN+Transformer校正协同学习的医学图像分割网络，涨点起飞

主要观点总结

该论文提出了一种名为CTRCL的协同学习框架，融合了CNN和Transformer模型的优势，用于医学图像分割。CTRCL通过双向协同学习机制增强了两个模型的性能。论文提出了RLCL和CFCL两个关键模块，分别解决了知识转移区域准确性的问题以及异构模型特征不匹配的问题。CTRCL在三个主流医学分割数据集上的表现超越了现有方法，显示了其强大的泛化能力。

关键观点总结

关键观点1: CTRCL框架

首次实现CNN与Transformer模型的双向协同学习，通过融合两个模型的优点，增强医学图像分割的性能。

关键观点2: RLCL模块

确保知识转移区域准确，通过引入Ground Truth引导的Adaptive Rectification Module（ARM）动态判断哪些区域预测不准确，并进行纠正。

关键观点3: CFCL模块

解决异构模型特征不匹配问题，通过设计Category Perception Module（CPM）提取特征中的“类别感知能力”，进行类感知级别的对齐。

关键观点4: 实验表现

CTRCL在Synapse、ACDC和Kvasir-SEG三个主流医学分割数据集上取得显著的提升，尤其在Kvasir数据集上降低了MAE。

关键观点5: 方法整体架构

CTRCL模型采用双分支结构，由CNN和Transformer构成两个学生模型，通过协同学习模块实现双向知识蒸馏与增强。

免责声明