摘要
准确且可靠地分割医学图像对于疾病诊断与治疗具有重要意义。然而，由于目标对象在尺寸、形状以及成像模态上存在巨大差异，该任务极具挑战性。近年来，众多卷积神经网络（CNN）被设计用于图像分割任务，并取得了显著成果。然而，现有研究大多未能充分考虑目标对象的尺寸差异，导致在小目标分割方面表现不佳，这可能严重影响疾病的早期检测。为此，本文提出一种上下文轴向逆向注意力网络（Context Axial Reserve Attention Network, CaraNet），以显著提升小目标的分割性能，相较多个近期先进的分割模型展现出优越性。我们在脑肿瘤（BraTS 2018）以及息肉（Kvasir-SEG、CVC-ColonDB、CVC-ClinicDB、CVC-300 和 ETIS-LaribPolypDB）分割数据集上对所提CaraNet进行了实验验证。结果表明，CaraNet在平均Dice系数上达到最优水平，尤其在小尺寸医学目标的分割任务中展现出显著优势。
代码仓库
AngeLouCN/CaraNet
官方
pytorch
基准测试
| 基准 | 方法 | 指标 |
|---|---|---|
| medical-image-segmentation-on-cvc-clinicdb | CaraNet | Average MAE: 0.007 S-Measure: 0.954 mIoU: 0.887 max E-Measure: 0.991 mean Dice: 0.936 |
| medical-image-segmentation-on-cvc-colondb | CaraNet | Average MAE: 0.042 S-Measure: 0.853 mIoU: 0.689 max E-Measure: 0.902 mean Dice: 0.773 |
| medical-image-segmentation-on-etis | CaraNet | Average MAE: 0.017 S-Measure: 0.868 mIoU: 0.672 max E-Measure: 0.894 mean Dice: 0.747 |
| medical-image-segmentation-on-kvasir-seg | CaraNet | Average MAE: 0.023 S-Measure: 0.929 mIoU: 0.865 max E-Measure: 0.968 mean Dice: 0.918 |