粗读Learning multi-level structural information for small organ segmentation

分割损失函数主要有区域，边界和像素三种，本文将三种损失结合，指导模型训练。region关注正确分割与错误分割面积之比，例如IoU损失和Dice损失，boundary关注边界距离，如HD损失，而pixel-wise关注每个像素分类正确与否，如交叉熵损失。

本文通过三个模块提取不同的信息，不同方向的信息依次与不同的GT做比较，最后综合三种信息得到最终分类结果。为了方便展示，在显示损失函数这一块只展示了一个ASPP模块。本文提出的计算三个损失的方法名为MLL。

整个网络的实际架构如上图所示，ASPP在介绍损失函数时展示了，而Pixel模块是个attention模块，point-wise MLP通过1*1卷积实现，而shared MLP我搜了一堆资料依然云里雾里，感觉就是一个全连接层。

在经过每个模块后都会得到一个features，各个模块就会通过这个feature计算损失。而最终将三个特征融合的部分，作者命名为multi-level saliency guidance module，这又是一个参数，最终的分割结果与GT还会计算一个交叉熵损失。最终，将4个损失加在一起，更新参数。