DynoDINO：利用 DINO 特征中的动态潜在信息进行多阶段医学图像分割

多相对比增强计算机断层扫描 (CECT) 通过捕获多个采集阶段的时间增强模式，在局灶性病变的诊断和表征中发挥着核心作用。从这些数据中准确分割病变仍然具有挑战性，因为临床相关的对比动力学分布在各个阶段，而解剖学不一致、呼吸运动和不完整的采集通常会导致阶段间错位和时间信息中断。传统的分割框架通常独立处理每个阶段或依赖简单的融合策略，限制了它们的时间推理能力。为了应对这些挑战，我们提出了 DynoDINO，这是一个专为解决多阶段医学图像分割的核心挑战而定制的统一框架。 DynoDINO 首先执行切片级对齐以建立相间解剖对应关系，然后采用多相融合模型共同增强跨相的时间相关性。我们的融合模型结合了用于高效多阶段特征校准的混合注意（MA）机制和具有基于差异的残差学习的自适应门控机制，以选择性地保留诊断相关的对比度变化，同时抑制残差未对准引起的伪影。此外，自适应门控机制通过防止无引导减法操作引起的特征退化来提高训练稳定性。在 LiTS、PLC-CECT 和 WAW-TACE 等三个大型数据集上进行的实验表明，DynoDINO 在标准、移位和缺相条件下持续改善边界描绘和结构保真度。