EANet：用于医学图像分割的迭代边缘注意力网络

EANet：用于医学图像分割的迭代边缘注意力网络

Pattern Recognition【2022】
论文：https://www.sciencedirect.com/science/article/pii/S0031320322001170
代码：https://github.com/DLWK/EANet

背景

由于（1）医学图像目标的尺度多样性和（2）医学图像的复杂上下文环境，包括结构边界的模糊性、形状的复杂性和纹理的异质性，这仍然是一项具有挑战性的任务。为了全面应对这些挑战，我们提出了一种新的、有效的迭代边缘注意力网络（EANet），用于医学图像分割，步骤如下。首先，我们提出了一个动态尺度感知上下文（DSC）模块，该模块动态调整感受野以有效地提取多尺度上下文信息。其次，采用边缘注意力保持（EAP）模块来有效地去除噪声，并帮助边缘流专注于仅处理边界相关信息。最后，设计了一个多级成对回归（MPR）模块，将互补的边缘和区域信息相结合，以细化模糊结构。这种迭代优化有助于学习更好的表示和更准确的显著性图。

贡献

1. 我们提出了一种新颖有效的迭代边缘注意力网络（EANet）来全面解决医学图像分割的挑战。所提出的EANet可以处理医学图像领域中对象的大规模变化和结构边界的模糊性
2. 我们设计了一个DSC模块来有效地自学习对象的最佳感受野，以捕获多尺度上下文信息，这可以提高所提出的EANet在处理对象大小和形状变化很大的复杂情况时的能力。
3. 我们提出了一种可以有效提取目标边缘信息的EAP模块，该模块可以抑制低电平背景噪声并保留边缘相关信息。
4. 我们进一步构建了一个MPR模块，该模块有效地利用了边缘和区域信息之间的互补性。这种多级特征之间的迭代优化有助于学习更好的表示和更准确的显著性图，尤其是它们的边界变得更细粒度。
   

实验

应用一个简单的随机水平翻转来增加数据

1. LIDC-IDRI数据集：提取了结节核心对应的CT切片，并裁剪成96×96的斑块图像。我们总共获得了2629张肺结节的2D图像，用于评估我们的框架。为了进行评估，我们对所有方法进行了5倍的交叉验证。因此，我们在每个折叠处使用2104个图像进行训练，使用525个图像进行测试。
2. 新冠肺炎CT分割数据集：仅由10张标记图像组成。将图像随机分为训练（50张图像）、验证（5张图像）和测试（45张图像）。我们通过将图像大小调整为352×352分辨率来预处理图像
3. 肺结节分析（LUNA）竞赛2：这是进一步诊断肺结节疾病的基础。该数据集包含534个2D样本（512-512像素）和相应的标签图像，可以从官方网站免费下载。我们使用80%的图像作为训练集，其余20%作为测试集，并进行交叉验证。
4. 胸部X射线（CXR）中进行肺部分割实验，这是目前用于肺部健康计算机辅助诊断（CAD）的最佳视觉介质。Montgomery Country（MC）数据集[48]：包含138张CXR图像。在我们的实验中，我们使用110张图像进行训练，其余28张图像进行测试。
5. TN-SCUI 2020 challenge3提供，作为MICCAI 2020的一部分：该数据集由3644张来自美国患者的图像组成，包括不同分辨率的不同类型甲状腺病变。有经验的医生给结节的注释贴上标签。在我们的实验中，在训练之前，通过水平、垂直平移和随机旋转操作将数据集扩展到7288张图像。数据集分为：训练集（60%）、验证集（20%）和测试集（20%。我们通过将图像大小调整为512×512分辨率来预处理图像。
   

方法

Dynamic scale-aware context module（动态规模感知上下文模块）

在瓶颈层加入DSC模块，由不同空洞率的空洞卷积和DFS组成，DFS提供注意力。空洞卷积用于捕获多尺度特征，DFS特征动态选择，由于相邻尺度之间的相关性

Edge attention preservation module（边界注意力保持模块）

输入是编码器的四个特征图，1x1卷积改变维度之后从低到高逐层细化，Residual Block提取特征，Gated Conv特征筛选，最后1x1卷积提取边界特征

损失函数

边界损失

分割损失

混合损失

Thinking