YOLOv11涨点改进| MICCAI 2025 | 全球独家创新、特征融合改进篇| 引入DSEB双选择增强融合模块，通过边缘增强与差分注意力机制联合建模特征，适合医学图像分割、目标检测、语义分割涨点
一、本文介绍
🔥本文给大家介绍利用 DSEB双选择增强融合模块 改进YOLOv11网络模型，DSEB模块通过边缘增强与差分注意力机制联合建模特征，在强化局部边界细节的同时提升上下文选择能力，从而改善YOLOv11在目标检测和医学图像分割中的特征表达能力。该模块能够突出目标轮廓与细粒度结构，提升小目标检测精度和医学图像边界分割质量，同时增强模型在复杂背景和噪声环境下的鲁棒性。
🔥欢迎订阅我的专栏、带你学习使用最新-最前沿-独家YOLOv11创新改进！🔥
YOLOv11专栏改进目录：YOLOv11改进专栏包含卷积、主干网络、各种注意力机制、检测头、损失函数、Neck改进、小目标检测、二次创新模块、C2PSA/C3k2二次创新改进、全网独家创新等创新点改进
全新YOLOv11-发论文改进专栏链接：全新YOLOv11创新改进高效涨点+永久更新中（至少500+改进）+高效跑实验发论文
本文目录
一、本文介绍
二、DSEB双选择增强融合模块介绍
2.1 DSEB双选择增强融合模块结构图
2.2 DSEB模块的作用
2.3 DSEB模块的原理
2.4 DSEB模块的优势
三、完整核心代码
四、手把手教你配置模块和修改tasks.py文件
1.首先在ultralytics/nn/newsAddmodules创建一个.py文件
2.在ultralytics/nn/newsAddmodules/__init__.py中引用编辑
3.修改tasks.py文件
五、创建涨点yaml配置文件
🚀 创新改进1🔥: yolov11n_DSEBFusion.yaml
🚀 创新改进2🐉: yolov11n_DSEBFusion-2.yaml
🚀 创新改进3🔥: yolov11n_DSEBFusion-3.yaml
六、正常运行
二、DSEB双选择增强融合模块介绍
摘要：医学图像分割，特别是在多领域场景中，需要在不同表征形式下精确保留解剖结构。尽管深度学习推动了该领域的发展，但现有模型常面临边界表征不准确、器官形态差异显著以及下采样过程中信息丢失等问题，导致其准确性和鲁棒性受限。为解决这些挑战，我们提出了一种名为上下文增强网络（CENet）的新型分割框架，该框架包含两项关键创新：首先，通过集成跳跃连接的双选择增强模块（DSEB），以上下文感知方式增强边界细节并提升小器官检测能力；其次，解码器中的上下文特征注意力模块（CFAM）采用多尺度设计，既能保持空间完整性、减少特征冗余，又能抑制过度增强的表征。在放射学和皮肤镜数据集上的广泛评估表明，CENet在多器官分割和边界细节保留方面优于现有最先进（SOTA）方法，为复杂医学图像分析任务提供了稳健且精准的解决方案。