论文笔记MSN‑Net: a multi‑scale context nested U‑Net for liver segmentation

MSN‑Net：用于肝脏分割的多尺度上下文嵌套 U‑Net

Signal, Image and Video Processing  2021

       具有跳跃连接的U-Net网络的变体在医学图像分割领域变得流行。然而，这些变体网络倾向于通过编码器和解码器路径之间的简单跳跃连接来融合语义上不同的特征图；我们认为，当来自编码器-解码器路径的特征图在语义上相似时，网络学习任务将很容易处理，语义不同的特征图的融合会导致特征图之间的差距。

       因此，本文提出的方法是获得语义相似的特征图，缓解简单跳跃连接造成的语义差距，提高分割精度。提出了一种新的U-Net架构，名为Multi-Scale Nested U-Net (MSN-Net)。MSN-Net由Res-block（双卷积层和1×1瓶颈层组成）和Multi-Scale Context Fusion块组成。带有瓶颈层的Res-block用于使网络更深，避免梯度消失。设计的MSCF块结合了来自不同级别特征图的Low-Level和High-Level特征，它使用类似Inception-Res块来捕获不同感受野的多尺度特征图，使网络更宽更深而不增加更多参数。原来的跳跃连接被替换为MSCF块，而MSCF块之间使用密集连接。此外，我们使用由交叉熵损失和Dice损失组成的加权损失函数。

1.ResNet提出了残差连接，使网络更深，避免梯度消失。与Res-Net具有少量具有瓶颈层的卷积块不同，我们将所有普通卷积块替换为我们MSN-Net中提出的Res-block，1×1 Conv瓶颈层用于保证输出通道的数量。

2.丰富的多尺度语义信息可以生成更具代表性的特征图，提高网络性能。提出的MSCF块旨在通过添加不同的感受野来提取不同级别的特征图，同时获得更多的多尺度语义信息。MSCF 块由不同级别的Concat路径和多尺度融合路径组成。Different-Level Concat 路径用于将Low-Level和High-Level特征结合起来，以获得丰富的不同层次的表示特征。另外，普通卷积层的卷积核大小固定为3×3，很难确定每个卷积的最优大小，难以通过一个3×3的核大小捕获多尺度语义信息。因此，经过不同级别的Concat路径，受Inception ResNet和DeepLab-Net的启发，设计了一个多尺度融合路径，该路径由不同速率的扩张卷积组成，以提取多尺度语义信息。与具有许多初始模块的Inception ResNet不同，我们选择一个轻量级模块来实现，我们改进了初始模块，普通的卷积层被不同速率的扩张卷积代替。与池化层相比，它可以在不损失分辨率的情况下增加感受野。Multi-Scale Fusion路径由三个子分支和残差连接组成。每个子分支的感受野分别为1、3和7。然后使1×1卷积（线性）来控制输出通道的数量。此外，在MSCF块之间应用了类似的密集连接，以增强特征和梯度的过渡，同时避免梯度消失。