2021医学影像分割论文：MSGSE-Net：用于皮层下脑结构分割的多尺度引导压缩和提取网络

今天与大家分享一篇关于医学影像分割的论文。

• **2021年影响因子/JCR分区：**5.719/Q1
• 论文链接：https://www.sciencedirect.com/science/article/pii/S0925231221010523
• 代码地址：https://github.com/neulxlx/MSGSE-Net

本文提出MSGSE模块，创新点：多尺度上下文的融合、多尺度空间注意力机制、自适应再校准，以UNet为baseline，提出一种新的熵加权值骰子丢失方法（EDL）。

1. MSGSE模块

2.熵权骰子损失函数

​ 由于皮脑下层边界分割效果较差，边界的模糊体素不容易区分，在训练过程中，易被分割的体素占比大多数，并且控制着梯度；而模糊提速的判断正误会影响分割的正确率。因此，提出一种新的熵加权骰子损失算法关注模糊的体素。强制网络学习模糊体素的特征。下图是UNet网络的分割效果，其中图（d）表示分割错误的边界体素。

​ 解决数据不平衡的常用策略是为每个体素引入加权因子。因此，本文将体素级别权重定义为：

其中，p_ci是被网络预测分类的概率。体素水平权重度量体素预测的不确定性。使用建议的自动体素加权方法，我们建议的熵加权骰子损失定义为：

其中，为网络预测与图像真实值的通道数，为0.00001，主要是为了稳定分式的值。

3.多尺度空间注意监督

空间注意监督可以使得网络在训练时更加聚集于目标区域。训练的过程如下，A_i表示MSGSE模块在第i级生成的注意力图，将带有n个卷积核的1×1卷积作用到A_i，最后再添加一个softmax层。其中，n表示分类的数目，使用双线性插值将输出上采样到输入图像大小，以获得空间注意mask M_i。空间监督注意损失定义为：

其中“交叉熵”是注意mask M_i 和GT标签之间的多类交叉熵；表示解码器规模的数量，表示本文提出的熵加权骰子损失。这种监督促使注意力遮罩尽可能靠近背景标记。

4.损失函数

本文提出的损失函数包含两个部分，分别是分割损失与上文提到的空间注意监督损失。分割损失包括预测图片与GT标签之间的多类交叉熵、本文提出的熵加权骰子损失。分割损失公式如下：

其中，P表示预测图。因此，该模型的损失函数的公式为：

其中，λ是平衡分割损失与空间注意监督损失之间的超参数，本文实验中设置为1。

5.实验结果

本文实验参考的评价指标为Dice与MHD，下面为在IBSR数据集上获得的脑结构分割结果。

​ 图5 U-Net和所提出的模型在IBSR数据集上的结构级骰子性能