知识卡片：提示条件通道注意力用于层级特征调制以实现解剖无关分割

一句话结论

PCCA（Prompt-Conditioned Channel Attention）通过在编码器-解码器网络的多个阶段引入提示条件通道注意力，实现了提示驱动的层级特征调制，在不依赖特定解剖结构的情况下，稳定提升医学图像分割性能。

事件概述或研究问题

解剖学上合理的医学图像分割仍受低对比度、模糊边界和模态特异性伪影的困扰。交互式分割被认为能通过提示引导特征提取和定位，但现有方法大多在晚期阶段才融合提示，缺少跨层级、提示驱动的通道级调制机制，难以捕捉深层上下文和模态差异。本文针对这一局限提出 PCCA 与 PROMISE-Net。

方法/产品要点

PCCA 通过池化提取紧凑的通道描述符，将其投影到共享空间，并使用门控激励机制融合，生成提示感知的通道注意力权重。
这些权重在网络的多个阶段自适应重校准特征响应，形成提示条件化、语义增强的层级特征表示。
基于 PCCA 构建 PROMISE-Net，包含两个变体：卷积模型 PROMISE-CNN 和 Transformer 模型 PROMISE-Txformer。

主要结果或产业意义

在 ISIC-Lesion、Kvasir-Polyp、CAMUS-Cardiac 和 Kvasir-Instrument 四个基准上：

PROMISE-CNN 相比基线 U-Net，相对 IoU 增益分别为 10.4%、8.7%、0.8%、3.4%；
PROMISE-Txformer 相比基线 UNETR，相对 IoU 增益分别为 7.6%、23.0%、2.1%、1.1%。结果表明，PCCA 在不同架构、成像模态和解剖目标上均带来一致改进。

为什么重要

PCCA 提供了一种不依赖特定解剖结构的、可扩展的提示感知层级特征调制框架，可直接嵌入主流编码器-解码器网络。与已有相关卡片中的 GUIDED（网络无关初始化）和 AuricularWorld（世界模型驱动分割）不同，本条目的增量贡献在于：将提示作为通道注意力的条件信号，并在多层次特征上实现深度调制，而非晚期融合。

局限与不确定性

该材料仅来自 arXiv 摘要，未提供数据集划分、训练细节、推理效率、热力图或失败案例等。
相对增益在不同数据集上差异较大（如 CAMUS 提升不足 1%），是否存在统计显著性、或在更大规模任务上的泛化能力，均待核实。
与更多最新 SOTA 方法的对比、消融实验细节、Prompt 的具体形式与标注成本等，材料中未说明，均待核实。

可用于图书/PPT/简报的角度

以“提示条件通道注意力”为例，展示交互式提示如何从“晚期融合”走向“层级深度调制”。
用相对 IoU 增益表格比较 CNN 与 Transformer 两类骨干上的收益，说明提示调制机制的通用性。
以“解剖无关”为关键词，强调该方法可迁移到皮肤、内镜、心脏超声等多类医学影像任务。

原始材料

英文标题：Prompt-Conditioned Channel Attention for Hierarchical Feature Modulation toward Anatomy-Agnostic Segmentation
英文关键词（据摘要提炼）：Prompt-Conditioned Channel Attention; PCCA; PROMISE-Net; Medical Image Segmentation; Interactive Segmentation; Hierarchical Feature Modulation
arXiv ID：2608.20229v1
URL：https://arxiv.org/abs/2608.20229v1
PDF：https://arxiv.org/pdf/2608.20229v1
作者：Mosharof Hossain, Md Rabiul Islam, Limon Halder, Erchin Serpedin, Md Kamrul Hasan
提交/更新日期：2026-08-20T16:24:09Z
主要分类：cs.CV；同时列为 cs.AI