CE-Net：用于2D医学图像分割的上下文编码网络

医学图像分割是医学图像分析中的一个重要步骤。随着卷积神经网络在图像处理领域的快速发展，深度学习已被应用于医学图像分割，例如视盘分割、血管检测、肺部分割、细胞分割等。此前，基于U-Net的方法已被提出。然而，连续的池化和步幅卷积操作会导致部分空间信息的丢失。本文中，我们提出了一种上下文编码器网络（以下简称CE-Net），用于捕捉更多高层次信息并保留2D医学图像分割的空间信息。CE-Net主要包含三个组成部分：特征编码模块、上下文提取器和特征解码模块。我们使用预训练的ResNet块作为固定的特征提取器。上下文提取器模块由新提出的密集空洞卷积（Dense Atrous Convolution, DAC）块和残差多核池化（Residual Multi-Kernel Pooling, RMP）块组成。我们将所提出的CE-Net应用于不同的2D医学图像分割任务中。综合实验结果表明，该方法在视盘分割、血管检测、肺部分割、细胞轮廓分割以及视网膜光学相干断层扫描层分割等方面优于原始U-Net方法和其他最先进的方法。