MSNET2论文阅读

M2SNet: Multi-scale in Multi-scale Subtraction Network for Medical Image Segmentation

摘要

• U型结构参数冗余信息：削弱不同层次特征之间的互补性，导致病灶定位不准确，边缘模糊
• 设计了一个基本减法单元(SU)来产生编码器中相邻层级之间的差异特征
• 将单尺度单元SU扩展为层内多尺度单元，为解码器提供像素级和结构级的差分信息
• 对不同层次的多尺度SU进行不同接收域的金字塔式配置，实现层间多尺度特征聚合
• 建立了一个无需训练的网络“LossNet”：从底层到顶层对任务感知特征进行全面监督，从而驱动多尺度减法网络同时捕获细节和结构线索
• 高效层内多尺度减法单元(MSU)设计
• 代码链接

引言

• 由于感受野的限制，单尺度卷积核很难捕获大小变化对象的上下文信息：其他基于其网络中的atrous空间金字塔池化模块ASPP或者DenseASPP提取层内多尺度信息
• 损失函数的形式直接为网络的梯度优化提供了方向：像素级别（交叉熵），区域级别（iou，dice损失），全局（一致性损失）
• 引入智能损失函数，无需复杂的人工设计，全面监控分割预测
  

相关工作

医学领域

SFA 和PraNet：关注边缘 ，边界敏感损失函数
inf - net:建立了隐式反向注意和显式边缘注意来建模边界
BCS-Net:具有三个渐进边界上下文语义重建块，可以帮助解码器捕获肺部感染的片段区域

损失函数

• weighted cross-entropy loss (WCE)
• Focal loss
• Dice loss
• exponential logarithmic loss (EL Loss)：通过加权和Dice损失和WCE损失来提高小结构对象的分割精度
• comoloss：将Dice损失作为正则化项与WCE损失结合起来处理输入输出不平衡

本文方法

backbone : res2net-50
SU模块的计算： - 号是逐元素减法运算

MSU：相同的运算效率与之前的版本，如下所示

采样空洞卷积分别相减

CE模块：

损失函数

总体损失函数：

Lf损失函数：


欧式距离

低层特征图包含丰富的边界信息，高层特征图描述位置信息

消融实验

SU模块及损失函数

ASPP方法的消融