嵌入式集体知识的多层级上下文门控用于医学图像分割

由于不同病例间解剖结构存在显著差异，医学图像分割一直是一项极具挑战性的任务。近年来，深度学习框架的进展显著提升了图像分割的速度与精度。在现有网络结构中，U-Net已在医学图像分割任务中取得了成功应用。本文提出了一种面向医学图像分割的U-Net扩展模型，充分融合了U-Net架构、挤压与激励（Squeeze-and-Excitation, SE）模块、双向卷积长短期记忆网络（Bi-directional ConvLSTM, BConvLSTM）以及密集卷积机制的优势。具体而言：（I）通过在U-Net中引入SE模块，显著提升了分割性能，同时对模型复杂度的影响极小。该模块利用特征图全局信息嵌入的自门控机制，自适应地重新校准通道维度上的特征响应；（II）为增强特征传播并促进特征复用，我们在编码路径的最后一个卷积层中引入了密集连接卷积结构；（III）不同于U-Net中跳接连接的简单拼接方式，本文在全网络各层级均采用BConvLSTM，以非线性方式融合对应编码路径提取的特征图与前一级解码上采样层的特征图。所提出的模型在六个公开数据集（包括DRIVE、ISIC 2017与2018、肺部分割、$PH^2$以及细胞核分割）上进行了评估，取得了当前最优的分割性能。