Prompt-Conditioned Channel Attention：用于面向与解剖无关的分割的分层特征调制

尽管在解剖学上合理的分割仍然具有挑战性，因为存在低对比度、边界模糊以及模态特异性伪影。交互式分割已成为一种有前景的策略，可用于引导特征提取并改善定位，尤其是在结构含糊的区域。然而，现有方法通常通过后期融合整合提示，缺乏在分层特征表示上由提示驱动的显式逐通道调制机制，限制了其捕获更深层上下文和模态特异性变化的能力。为解决这些局限，我们提出 Prompt-Conditioned Channel Attention (PCCA)，这是一种新颖的调制机制，可在编码器-解码器网络中实现语义提示的深度分层整合。PCCA 通过池化提取紧凑的通道描述符，将其投影到共享空间，并通过门控激励机制进行融合，以计算感知提示的通道注意力权重。这些权重能够自适应地重新校准多个网络阶段的特征响应，从而实现经过提示条件化、语义增强的分层表示。基于此，我们提出 PROMISE-Net，并实现为两种网络变体：卷积模型 PROMISE-CNN 和基于 Transformer 的模型 PROMISE-Txformer。在 ISIC-Lesion、Kvasir-Polyp、CAMUS-Cardiac 和 Kvasir-Instrument 基准上，将 PCCA 集成到 PROMISE-CNN 中，相较于基线 U-Net，IoU 分别获得 10.4%、8.7%、0.8% 和 3.4% 的相对提升；而 PROMISE-Txformer 相较于基线 UNETR，分别获得 7.6%、23.0%、2.1% 和 1.1% 的相对提升。这些结果表明，该方法在不同架构、成像模态和解剖目标上都能稳定改进，确立了 PCCA 和 PROMISE-Net 作为一种可扩展、可泛化框架，在医学图像分割中用于感知提示的分层特征调制的有效性。