论文页面 - M^{2}SNet: Multi-scale in Multi-scale Subtraction Network for Medical Image Segmentation

来源：https://huggingface.co/papers/2303.10894 发布于 2023年3月20日

摘要

多尺度减法网络 (M^\{2\}SNet) 通过捕获细节和结构线索来增强医学图像分割，与传统方法相比，提高了定位精度和边缘清晰度。

准确的医学图像分割对于早期医学诊断至关重要。大多数现有方法基于 U形结构，并使用逐元素相加或拼接在解码器中逐步融合不同层次的特征。然而，这两种操作都容易产生大量冗余信息，这会削弱不同层次特征之间的互补性，导致病灶定位不准确和边缘模糊。为了解决这一挑战，我们提出了一种通用的多尺度内多尺度减法网络 (M^{2}SNet)，用于完成来自医学图像的多样化分割。具体来说，我们首先设计了一个基本减法单元 (SU)，用于生成编码器中相邻层级之间的差异特征。接下来，我们将单尺度 SU 扩展为层内多尺度 SU，这可以为解码器提供像素级和结构级的差异信息。然后，我们以金字塔方式在不同层级配置具有不同感受野的多尺度 SU，从而实现层间多尺度特征聚合，并获得丰富的多尺度差异信息。此外，我们构建了一个免训练网络“LossNet”，以全面监督从底层到顶层的任务感知特征，这驱动我们的多尺度减法网络同时捕获细节和结构线索。无需额外花哨的机制，我们的方法在四个不同医学图像分割任务的十一个数据集上，在多种评估指标下优于大多数最先进的方法，这些任务涵盖多种图像模态，包括彩色结肠镜成像、超声成像、计算机断层扫描 (CT) 和光学相干断层扫描 (OCT)。源代码可在 https://github.com/Xiaoqi-Zhao-DLUT/MSNet 获取。

查看 arXiv 页面查看 PDFGitHub588auto添加到收藏

在你的 agent 中获取这篇论文：

hf papers read 2303\.10894

没有最新的 CLI？curl \-LsSf https://hf\.co/cli/install\.sh \| bash

引用此论文的模型 0

没有模型链接此论文

在模型 README.md 中引用 arxiv.org/abs/2303.10894 即可从此页面链接到它。

引用此论文的数据集 0

没有数据集链接此论文

在数据集 README.md 中引用 arxiv.org/abs/2303.10894 即可从此页面链接到它。

引用此论文的 Spaces 0

没有 Space 链接此论文

在 Space README.md 中引用 arxiv.org/abs/2303.10894 即可从此页面链接到它。

包含此论文的收藏 0

没有收藏包含此论文

将这篇论文添加到收藏即可从此页面链接到它。