EFCNet：每个特征都对小医学目标分割至关重要
图像与视频处理
2024-06-27 v1 计算机视觉与模式识别
摘要
本文探讨了具有显著临床价值的极小医学目标的分割问题。虽然卷积神经网络（CNN），特别是类UNet模型，以及最近的Transformer在图像分割方面取得了显著进展，但我们的实证发现表明，它们在分割本文所关注的小医学目标和病变方面表现不佳。这一局限性可能归因于其编码和解码过程中的信息丢失。针对这一挑战，我们提出了一种名为EFCNet的新模型，用于医学图像中的小目标分割。我们的模型包含两个模块：跨阶段轴向注意力模块（CSAA）和多精度监督模块（MPS）。这两个模块分别解决了编码和解码过程中的信息丢失问题。具体来说，CSAA整合了编码器所有阶段的特征，以自适应地学习不同解码阶段所需的合适信息，从而减少编码器中的信息丢失。另一方面，MPS为解码器引入了一种新颖的多精度监督机制。该机制优先关注解码器初始阶段的低分辨率特征，减轻了后续卷积和采样过程造成的信息丢失，并增强了模型的全局感知能力。我们在两个基准医学图像数据集上评估了我们的模型。结果表明，EFCNet显著优于以往为医学和普通图像设计的分割方法。
引用
@article{arxiv.2406.18201,
title = {EFCNet: Every Feature Counts for Small Medical Object Segmentation},
author = {Lingjie Kong and Qiaoling Wei and Chengming Xu and Han Chen and Yanwei Fu},
journal= {arXiv preprint arXiv:2406.18201},
year = {2024}
}