近日，js4399金沙线集团类生智能与计算团队(（VITA）于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）发表了题为“Few-shot medical image segmentation via dual-stream feature extractor and detail-enhanced prototype transformer”的研究论文。学院胡伟老师担任通讯作者，学生吴攸与张文锋老师为共同第一作者。
针对少样本医学图像分割中特征分布差异导致的类内差异，以及复杂背景引发的极端类间不平衡这两大核心挑战 ，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Swin Transformer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》作为国际知名的人工智能与信息系统领域学术期刊，长期位列中科院一区 Top 期刊，在知识工程、机器学习与计算机视觉研究领域具备重大的学术影响力 。近年来，该期刊尤为关注深度学习、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应用研究，致力于促进人工智能技术与各交叉学科的融合。
据悉，该团队未来将持续深化人工智能与医学影像处理融合的创新研究，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，为助力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
