Psi-Net: Shape and boundary aware joint multi-task deep network for medical image segmentation（论文翻译）

用于医学图像分割的形状和边界感知联合多任务深度网络

论文地址：https://arxiv.org/pdf/1902.04099.pdf

( 类似于U-Net网络encoder和decoder结构，其中decoder部分是由三个并行的decoder组成。包括mask prediction、contour prediction和distance map estimation，一个解码器学习分割掩模预测和其他两个解码器学习的辅助任务地图轮廓检测和距离估计。)

摘要（Abstract）

图像分割是医学领域的一个重要课题。近年来，许多由U-Net衍生的深度网络被广泛应用于各种医学图像分割任务中。然而，在大多数情况下，类似于U-net的网络会产生大量不连续的粗而不光滑的分段。为了提高和改进类似U-Net网络的性能，我们提出使用并行解码器，在进行掩模预测的同时，还可以进行轮廓预测和距离图估计。轮廓和距离地帮助确保平滑的分割预测。为了促进三个任务的联合训练，我们提出一种新颖的由单个编码器和三个平行解码器的结构，命名为Psi-Net（因此有一个Ψ的形状），一个解码器学习分割掩模预测，另外两个解码器学习轮廓检测和距离图估计的辅助任务。这些辅助任务的学习有助于获取形状和边界信息。我们还提出了一个新的联合损失函数的架构。损失函数由负对数似然和均方误差损失的加权组合而成。
我们使用了两个公开的数据集:
1）针对Origa数据集的任务进行视神经杯和视神经盘的分割；
2）Endovis段数据集的任务，polyp分割评估我们的模型。
我们使用我们的网络进行了广泛的实验，证明我们的模型在分割、边界和形状指标方面有更好的结果。

介绍（Introduction）

图像分割是从图像中描绘出重要结构的过程。在医学图像中识别这些结构在许多医学程序中都有应用。
以下是其中一些要点:
1）眼底视杯和视盘的分割在青光眼筛查中具有重要意义；
2）结肠镜图像中息肉的分割有助于肿瘤的诊断；
3）器官、骨骼的分割有利于手术规划；
4）肺结节的分割在胸部计算机断层扫描帮助医生区分恶性病变和良性病变。
近年来，深度学习网络[1]在医学图像分割中得到了广泛的应用，其中最常用的深度学习网络是UNet[2]。
UNet[2]是一种以图像为输入，以交叉熵为损失函数输出像素级分类概率分值的编解码型网络。该网络为不同的医学图像分割任务提供了最新成果。但是这种架构类型和使用的损失函数都有一些缺点。例如，网络的编码器块通过最大池化层对输入进行欠采样，导致空间信息丢失。类似地，将像素分类单独作为损失函数会产生不均匀的掩模边界和异常值。除此之外，损失函数没有考虑形状信息，而形状信息可以帮助改善性能。同时，利用交叉熵作为损失函数引入了医学图像中常见的背景主导感兴趣对象的类不平衡问题。为了克服上述问题，文献[1]中报道了多部著作。因此，[3]和[4]之后的架构和损失功能是我们感兴趣的。这两种工作都使用类似的架构，有一个编码器和两个并行解码器。在[3]中，解码器用于掩码和轮廓预测，而在[4]中，解码器用于估计掩码和距离图。轮廓和距离图估计作为正则化器来预测掩码。形状信息通过[3]和[4]中的轮