CM-MLP：基于轴向上下文关系编码器的级联多尺度MLP用于医学图像边缘分割
图像与视频处理
2022-08-24 v1 计算机视觉与模式识别
摘要
基于卷积的方法在医学图像分割任务中提供了良好的分割性能。然而，这些方法在处理医学图像边缘时面临以下挑战：（1）以往的基于卷积的方法未关注分割边缘周围前景与背景的边界关系，导致在边缘复杂变化时分割性能下降。（2）卷积层的归纳偏置无法适应复杂的边缘变化及多分割区域的聚合，使其性能提升大多局限于分割区域主体而非边缘。为应对这些挑战，我们提出基于MFI（多尺度特征交互）块与ACRE（轴向上下文关系编码器）块的CM-MLP框架，用于医学图像边缘的精确分割。在MFI块中，我们提出级联多尺度MLP（Cascade MLP）同时处理来自网络更深层的全部局部信息，并利用级联多尺度机制逐步融合离散局部信息。随后，ACRE块用于使深度监督聚焦于探索前景与背景的边界关系以修正医学图像边缘。我们提出的CM-MLP框架在三个基准数据集：CVC-ClinicDB数据集、sub-Kvasir数据集及我们的内部数据集上的分割准确率（Dice）分别达到96.96%、96.76%和82.54%，显著优于当前最优方法。源代码与训练模型将发布于https://github.com/ProgrammerHyy/CM-MLP。
引用
@article{arxiv.2208.10701,
title = {CM-MLP: Cascade Multi-scale MLP with Axial Context Relation Encoder for Edge Segmentation of Medical Image},
author = {Jinkai Lv and Yuyong Hu and Quanshui Fu and Zhiwang Zhang and Yuqiang Hu and Lin Lv and Guoqing Yang and Jinpeng Li and Yi Zhao},
journal= {arXiv preprint arXiv:2208.10701},
year = {2022}
}