论文笔记CPAD-Net: Contextual parallel attention and dilated network for liver tumor segmentation

CPAD-Net：基于上下文并行注意和扩张网络的肝脏肿瘤分割

Biomedical Signal Processing and Control 79 (2023) 104258

肝癌是癌症死亡的主要原因之一。准确、自动的肝脏肿瘤分割方法是临床实践中迫切需要的。目前，全卷积网络和U-Net框架在医学图像分割任务中取得了较好的效果，但仍有改进的空间。传统的U-Net网络提取了大量的低层特征，无法将细节特征传递到更深层，导致分割能力差。为此，提出了一种新的具有上下文并行注意和扩张卷积的肝脏肿瘤分割网络CPAD-Net。该网络采用了一个亚采样模块，它具有与最大池相同的降维功能，但不丢失细节特征。CPAD-Net在跳跃连接时采用上下文并行注意模块。该模块融合上下文多尺度特征，并行提取通道-空间特征。这些特征与深层特征相连接，以缩小语义差距，增加细节信息。在编码和解码阶段采用混合扩张卷积和双扩张卷积来扩展网络的感受野。在每个混合扩张卷积块之后添加丢弃以防止过拟合。在两个公共数据集（LiTS 2017和3Dircadb-01）和河北大学附属医院临床数据集上的广泛实验证明了所提网络的有效性。该网络的Dice评分分别为74.2%、73.7%和73.26%。实验结果表明，该网络的分割性能优于大多数分割网络。

Contributions：

提出了一种基于U-Net架构的分割网络。三个相邻的CT切片被馈送到网络中以获得图像的空间信息。卷积、批量归一化和ReLU的组合模块取代了合并操作，以保留图像的详细特征。

在编码阶段采用不同膨胀率的膨胀卷积，在解码阶段采用相同膨胀率的双膨胀卷积（DDC），以改善网络感受野，提取多尺度特征。在每个DDC之后使用压差，以防止过拟合。

在跳跃连接时，网络以三种比例融合特征地图。CPAM校准融合的特征图以自适应地集中于主导通道和空间信息。并行标定机制使通道和空间信息相互独立。实验结果表明，CPAM显著提高了分割性能。烧蚀实验表明，CPAM算法大大提高了分割性能。

在两个众所周知的数据集（LiTS 2017，3Dircadb-01）和一个医院临床数据集上对拟议网络进行训练。实验验证了该网络的有效性和鲁棒性。

网络模型：

跳跃连接部分：

预处理流程图：

实验结果：

结论：本文设计了一种变异的U型结构，即CPAD-Net，用于肝脏肿瘤的分割。在跳跃连接处采用CPAM块以提取上下文高级和低级特征。上下文高级和低级特征在跳过连接处融合。通过CPAM块获得多尺度信息中最相关的信道和空间信息。这一信息大大提高了分割性能。Dc阻断有助于改善感受野，以便网络能够检测肿瘤的整体位置。Sb块改善了池化的缺陷并减少了详细信息的丢失。在三个数据集上验证了该网络的有效性和通用性，并取得了与现有方法相当的性能。