2023

CaraNet: Context Axial Reverse Attention Network for Segmentation of Small Medical Objects

摘要： 目的：准确、可靠地分割医学图像对疾病的诊断和治疗具有重要意义。这是一项具有挑战性的任务，因为物体的大小，形状，和扫描形式的广泛变化。近年来，许多卷积神经网络（CNN）被设计用于分割任务，并取得了巨大的成功。然而，很少有研究充分考虑了物体的大小，因此大多数研究表明，小物体的分割性能较差。这可能对早期发现疾病产生重大影响。方法：本文提出了一种上下文轴向反向注意网络（CaraNet），与最近几种常用的模型相比，可以提高对小物体的分割性能。CaraNet应用轴向储备注意（ARA）和通道级特征金字塔（CFP）模块来挖掘小医疗对象的特征信息。我们用六种不同的测量指标来评估我们的模型。结果：我们对脑肿瘤（BraTS 2018）和息肉（Kvasir-SEG、CVC-ColonDB、CVC-ClinicDB、CVC-300和ETIS-LaribPolypDB）分割数据集测试了CaraNet。我们的CaraNet达到了最高的平均骰子分割精度，结果表明CaraNet在小医疗对象分割方面具有明显的优势。结论：我们提出了CaraNet来分割小的医疗对象，并优于其他最先进的方法。