Crossover-Net：利用纵横交叉关系实现鲁棒分割

由于不同患者中这些组织的形状、大小和外观差异巨大，医学图像中非细长组织的鲁棒分割难以实现。本文中，我们提出一种端到端可训练的深度分割模型 Crossover-Net，用于医学图像中的鲁棒分割。我们提出的模型受一个深刻观察的启发：在分割过程中，来自水平与垂直方向的表示可提供不同的局部外观与正交上下文信息，这有助于通过同时从这两个方向学习来增强不同组织间的判别力。具体而言，通过将分割任务转化为逐像素/体素预测问题，我们首先提出一种十字形图像块，即交叉块（crossover-patch），它由一对（正交且重叠的）垂直与水平图像块组成，以捕获正交的垂直与水平关系。随后，我们开发 Crossover-Net 来学习由交叉块捕获的纵横交叉关系。为实现此目标，对于在典型交叉块上学习表示，我们设计了一种新颖的损失函数以（1）对垂直与水平图像块的重叠区域施加一致性；（2）保持其非重叠区域的多样性。我们在 CT 肾肿瘤、MR 心脏和 X 射线乳腺肿块分割任务上广泛评估了我们的方法。根据我们与最先进分割模型的广泛评估与比较，取得了令人鼓舞的结果。