M$^{2}$SNet: 用于医学图像分割的多尺度内多尺度相减网络
计算机视觉与模式识别
2026-04-14 v3
摘要
准确的医学图像分割对早期医疗诊断至关重要。大多数现有方法基于U形结构,并在解码器中逐步使用逐元素加法或拼接来融合不同层级特征。然而,这两种操作都容易产生大量冗余信息,削弱不同层级特征间的互补性,导致病灶定位不准和边缘模糊。为应对此挑战,我们提出一种通用的多尺度内多尺度相减网络(MSNet)来完成医学图像的多样化分割。具体而言,我们首先设计基本相减单元(SU)以产生编码器中相邻层级间的差分特征。接着,我们将单尺度SU扩展为层内多尺度SU,其可为解码器提供像素级和结构级差分信息。然后,我们以金字塔方式在不同层级配备具有不同感受野的多尺度SU,从而实现层间多尺度特征聚合并获得丰富的多尺度差分信息。此外,我们构建了一个无需训练的网络“LossNet”来从底层到顶层全面监督任务感知特征,驱动我们的多尺度相减网络同时捕获细节与结构线索。无需额外技巧,我们的方法在四项不同医学图像分割任务(涵盖彩色结肠镜成像、超声成像、计算机断层扫描(CT)和光学相干断层扫描(OCT)等多样图像模态)的十一个数据集上,在不同评估指标下均优于大多数最先进方法。源代码可见于 https://github.com/Xiaoqi-Zhao-DLUT/MSNet。
引用
@article{arxiv.2303.10894,
title = {M$^{2}$SNet: Multi-scale in Multi-scale Subtraction Network for Medical Image Segmentation},
author = {Xiaoqi Zhao and Hongpeng Jia and Youwei Pang and Long Lv and Feng Tian and Lihe Zhang and Weibing Sun and Huchuan Lu},
journal= {arXiv preprint arXiv:2303.10894},
year = {2026}
}
备注
Machine Intelligence Research 2026