ET-Net: Ein generisches Netzwerk zur Kantenorientierung für die Segmentierung medizinischer Bilder

Die Segmentierung ist eine grundlegende Aufgabe in der medizinischen Bildanalyse. Die meisten existierenden Methoden konzentrieren sich jedoch auf die Extraktion primärer Regionen und ignorieren Kanteninformationen, die für eine genaue Segmentierung von großem Nutzen sind. In dieser Arbeit schlagen wir eine generische medizinische Segmentierungsmethode vor, das Edge-aTtention guidance Network (ET-Net), welches Kanten-Attention-Darstellungen einbettet, um das Segmentierungsnetzwerk zu leiten. Speziell wird ein Kantenführungsmodul verwendet, um die Kanten-Attention-Darstellungen in den frühen Kodierungsschichten zu lernen. Diese werden dann an die mehrskaligen Dekodierungsschichten übertragen und mittels eines gewichteten Aggregationsmoduls fusioniert. Die experimentellen Ergebnisse anhand von vier Segmentierungsaufgaben (nämlich der Segmentierung des Sehnervenkopfes/Scheibens und der Gefäße in Retina-Bildern sowie der Lungensegmentierung in Brust-Röntgenbildern und CT-Bildern) zeigen, dass das Erhalten von Kanten-Attention-Darstellungen zur endgültigen Segmentierungsgenauigkeit beiträgt und dass unsere vorgeschlagene Methode den aktuellen Stand der Technik bei Segmentierungsverfahren übertrifft. Der Quellcode unserer Methode ist unter https://github.com/ZzzJzzZ/ETNet verfügbar.