Psi-Net：用于医学图像分割的形状与边界感知联合多任务深度网络

图像分割是许多医学应用中的首要任务。近来，许多衍生自 U-Net 的深度网络已被广泛用于各类医学图像分割任务。然而在大多数情况下，类 U-Net 的网络产生粗糙且不平滑、具有大量不连续性的分割结果。为改进并精炼类 U-Net 网络的性能，我们提出使用并行解码器，其在执行掩膜预测的同时还执行轮廓预测与距离图估计。轮廓与距离图有助于确保分割预测的平滑性。为促进三任务的联合训练，我们提出一种称为 Psi-Net 的新颖架构，其具有单一编码器与三个并行解码器（因而呈 $\Psi$ 形），一个解码器学习分割掩膜预测，另两个解码器学习轮廓检测与距离图估计的辅助任务。这些辅助任务的学习有助于捕获形状与边界信息。我们还为所提架构提出一种新的联合损失函数。该损失函数由负对数似然与均方误差损失的加权组合构成。我们使用两个公开数据集评估模型：1) 用于视杯与视盘分割任务的 Origa 数据集，2) 用于息肉分割任务的 Endovis segment 数据集。我们基于本网络进行了大量实验，表明我们的模型在分割、边界与形状度量方面给出了更优结果。