基于图像语义分割的新型多重最大池化集成模块与交叉多尺度反卷积网络

为更好地保留图像深层特征并解决端到端分割模型的稀疏问题，我们提出一种用于医学图像像素分割的新型深度卷积网络模型，称为 MC-Net。该网络模型核心由四部分组成：编码器网络、多重最大池化集成模块、交叉多尺度反卷积解码器网络以及像素级分类层。在编码器网络结构中，我们使用多尺度卷积替代传统单通道卷积。多重最大池化集成模块首先集成编码器网络各子模块的输出特征，并通过核大小为 1 的卷积降低参数量；同时，每个最大池化层（各层池化尺寸不同）拼接于每次卷积之后，以实现各子模块特征图的平移不变性。我们将多重最大池化集成模块的输出特征图作为解码器网络输入；解码器网络中各子模块的多尺度卷积与编码器网络对应多尺度卷积生成的特征图进行交叉融合。采用上述特征图处理方法解决了最大池化层生成矩阵的稀疏问题，并增强了分类的鲁棒性。我们使用一个二分类 Kaggle 2018 数据科学竞赛数据集和两个多分类数据集，将所提模型与知名的 Fully Convolutional Networks for Semantic Segmentation (FCNs)、DecovNet、PSPNet、U-net、SgeNet 以及其他最先进分割网络如 HyperDenseNet、MS-Dual、Espnetv2、Denseaspp 进行比较，取得了令人鼓舞的实验结果。