ESDMR-Net：一种用于医学图像分割的具有扩展-压缩与双多尺度残差连接的轻量级网络
图像与视频处理
2023-12-19 v1 计算机视觉与模式识别
机器学习
摘要
分割是计算机视觉广泛应用中的一项重要任务，包括医学图像分析。近年来，基于复杂卷积神经网络架构的医学图像分割方法的复杂性不断增加。这一进展在广泛认可的基准数据集上带来了性能的逐步提升。然而，现有大多数方法的计算需求很高，这限制了它们的实际适用性。本文提出了一种扩展-压缩双多尺度残差网络（ESDMR-Net），这是一种全卷积网络，特别适合移动设备等资源受限的计算硬件。ESDMR-Net 专注于提取多尺度特征，从而能够学习语义上不同特征之间的上下文依赖关系。ESDMR-Net 架构允许在编码器-解码器对内进行双流信息流动。扩展操作（深度可分离卷积）将所有具有多尺度信息的丰富特征提供给压缩操作（瓶颈层），随后由压缩操作为分割任务提取必要的信息。扩展-压缩（ES）模块帮助网络更加关注表征不足的类别，这有助于提高分割精度。为了增强跨多种分辨率或尺度的信息流动，我们将双多尺度残差（DMR）模块集成到跳跃连接中。这种集成使得解码器能够访问来自不同抽象级别的特征，最终产生更全面的特征表示。我们在来自五个不同应用实例的七个数据集上进行了实验。尽管可训练参数显著减少（减少了两个甚至三个数量级），我们的模型仍取得了最佳结果。
引用
@article{arxiv.2312.10585,
title = {ESDMR-Net: A Lightweight Network With Expand-Squeeze and Dual Multiscale Residual Connections for Medical Image Segmentation},
author = {Tariq M Khan and Syed S. Naqvi and Erik Meijering},
journal= {arXiv preprint arXiv:2312.10585},
year = {2023}
}