PLU-Net:多尺度特征融合的提取

近年来,深度学习算法在医学图像分割中取得了显著成果。这些网络无法处理具有海量参数的图像边界和细节,导致分割结果不佳。为解决该问题,我们开发了空洞空间金字塔池化(ASPP)并将其与 Squeeze-and-Excitation 块(SE 块)结合,并提出 PS 模块,该模块在网络底部采用更宽且多尺度的感受野以获取更细致的语义信息。我们还提出了局部引导块(LG 块)及其与 SE 块的组合形成的 LS 块,其能在特征图中获取更丰富的局部特征,从而在每个下采样过程中保留更多边缘信息,进而提升边界分割性能。我们提出 PLU-Net 并将我们的 PS 模块和 LS 块集成到 U-Net 中。我们在三个基准数据集上测试了 PLU-Net,结果表明以更少的参数和 FLOPs,它在医学语义分割任务上表现更优。