近两年值得阅读的十篇医疗图像分割文献

近两年值得阅读的十篇医疗图像分割文献"/>

近两年值得阅读的十篇医疗图像分割文献

一. 题目：CE-Net: Context Encoder Network for 2D Medical Image Segmentation

投稿周期：稿件于 2018 年 12 月 24 日收到； 2019 年 2 月 24 日修订；2019年3月4日接受。出版日期2019年3月7日。

期刊：IEEE Transactions on Medical Imaging，SCI一区

论文网址：CE-Net: Context Encoder Network for 2D Medical Image Segmentation | IEEE Journals & Magazine | IEEE Xplore

推荐指数：★★★★★（五星是满分）

推荐理由：轻量级网络结构，且具有很好的泛化能力。

1.亮点

(1)级联不同扩张率的空洞卷积以构成密集空洞卷积(dense atrous convolution, DAC)块，该模块以通过四个级联分支用不同扩张率的空洞卷积来捕获更广泛和更深层次的语义特征，除此之外，利用残差连接来防止梯度消失。模型参数少的同时，提高了特征捕获效率。

(2)提出一种基于空间金字塔池化的残差多核池化(residual multi-kernel pooling，RMP)块，该块通过采用不同核大小的池化操作，进一步对从DAC模块提取的特征以进行多尺度上下文特征进行编码，无需额外的学习权重。总之，该文章提出 DAC 块来提取具有多尺度的丰富特征表示，然后是RMP块，用于通过多尺度池化操作获取更多上下文信息。

2.重要性

医学图像分割是医学图像分析中的一个重要步骤。当前基于卷积神经网络的医学图像分割方法所面临一下问题：连续池化和跨步卷积操作导致了一些空间信息的丢失。为解决该问题，本文提出一种上下文编码器网络(CE-Net)来捕获更多高级信息并保留用于 2D 医学图像分割的空间信息。

3.结果

(1)可视化展示：肺分割、血管检测和细胞轮廓分割的可视化结果。

(2)评估指标结果

a.视盘检测结果

b.肺部分割结果

c.细胞轮廓分割结果

二. 题目：CA-Net: Comprehensive Attention ConvolutionalNeural Networks for Explainable Medical Image Segmentation

投稿周期：稿件于 2020 年 9 月 17 日收到； 2020 年 10 月 25 日接受。出版日期 2020 年 11 月 2 日。

期刊：IEEE Transactions on Medical Imaging，SCI一区

论文网址：CA-Net: Comprehensive Attention Convolutional Neural Networks for Explainable Medical Image Segmentation | IEEE Journals & Magazine | IEEE Xplore

推荐指数：★★★★★（五星是满分）

推荐理由：该文章综合了当前较为流行的多种注意力机制。

1.亮点

(1) 提出一种新颖的基于注意力的综合网络(CA-Net)，以充分利用空间、通道和尺度等注意力机制。

(2)联合空间注意力块：该机制被用来加强特征图上的感兴趣区域，同时抑制潜在的背景或不相关的部分。

(3)通道注意力：该机制可以突出相关的特征通道以有效利用特征信息，同时抑制不相关的通道。

(4)尺度注意力块：组合多尺度特征信息来获取更精确的特征表征，对分割特定的图像可确定其最合适的特征尺度。

2.重要性

使用综合注意力来获得本文网络的良好可解释性，其中分割结果可以归因于相关的空间区域、特征通道和尺度信息。

3.结果

(1)可视化展示：皮肤病变区域分割

(2)评估指标结果

三. 题目：FCA-Net: Adversarial Learning for Skin Lesion Segmentation Based on Multi-Scale Features and Factorized Channel Attention

投稿周期：2019 年 8 月 14 日收稿，2019 年 8 月 29 日接受，出版日期 2019 年 9 月 11 日。

期刊：IEEE Access，SCI二区

论文网址：FCA-Net: Adversarial Learning for Skin Lesion Segmentation Based on Multi-Scale Features and Factorized Channel Attention | IEEE Journals & Magazine | IEEE Xplore

推荐指数：★★★★☆（五星是满分）

推荐理由：改善皮肤病变的低对比度和模糊边界问题，提高其分割准确率。

1.亮点

(1)在条件生成对抗网络(cGAN)的编码器中引入一个新模块，称为因式分解通道注意力(FCA)，它利用了通道注意力机制和残差一维内核分解卷积。通道注意力机制通过考虑特征通道的相互依赖性来增加病变和非病变特征之间的可区分性。一维内核分解卷积提供具有最少参数的额外卷积层，以减少高阶卷积的计算。

(2)使用多尺度输入策略，其中输入图像被调整为原始大小的三个不同尺度。因此，FCA-Net 可以通过鼓励开发尺度变化的滤波器，同时构建尺度不变的表示，来明确处理分辨率、对象大小和图像尺度的变化。

2.重要性

本文网络模型能够有效改善皮肤病变的低对比度和边界模糊问题，对病变的外观与皮肤健康区域进行了有效分割。

3.结果

(1)可视化展示：皮肤病变分割热图展示

(2)评估指标结果

四. 题目：Multi-scale self-guided attention for medical image
segmentation

投稿周期：稿件于 2019 年 9 月 30 日收到； 2020 年 2 月 6 日和 2020 年 3 月 18 日修订； 2020 年 4 月 6 日接受。出版日期 2020 年 4 月 14 日。

期刊：IEEE JOURNAL OF BIOMEDICAL AND HEALTH INFORMATICS，SCI二区

论文网址：Multi-Scale Self-Guided Attention for Medical Image Segmentation | IEEE Journals & Magazine | IEEE Xplore

推荐指数：★★★★（五星是满分）

推荐理由：利用引导自注意力机制以捕获图像特征更丰富的上下文依赖关系来提高当前编解码结构的分割性能。

1.亮点

(1)提出一种用于医学图像分割的多尺度引导自注意网络，多尺度方法以不同的分辨率生成包含不同语义的堆栈。虽然较低级别的堆栈专注于局部外观，但较高级别的堆栈将编码全局表示。这种多尺度策略获取以不同分辨率生成的注意力图来编码不同的语义信息。

(2)引入两个独立的自注意力机制，即空间注意和通道注意，分别专注于建模位置和通道特征依赖关系。这个二元组允许对更广泛和更丰富的上下文表示进行建模，并改善通道映射之间的依赖关系，从而增强特征表示。

2.重要性

该网络利用多尺度特性与自注意力机制相结合，提高了网络的分割性能。

3.结果

(1)可视化展示

a. CHAOS Challenge dataset

b. BRATS Challenge dataset

(2)评估指标结果

五. 题目：Automated Skin Lesion Segmentation via an
Adaptive Dual Attention Module

投稿周期：稿件于 2020 年 7 月 29 日收到； 2020 年 9 月 17 日和 2020 年 9 月 22 日修订； 2020 年 9 月 23 日接受。出版日期 2020 年 9 月 28 日。

期刊：IEEE TRANSACTIONS ON MEDICAL IMAGING，SCI一区。

论文网址：Automated Skin Lesion Segmentation Via an Adaptive Dual Attention Module | IEEE Journals & Magazine | IEEE Xplore

推荐指数：★★★★（五星是满分）

推荐理由：提出的网络是基于双编码器架构实现的，该架构能够在不大幅增加网络参数的情况下扩大感受野。

1.亮点

提出的自适应双重注意模块 (ADAM)具有以下三个优点：

a：整合了两个互补的全局上下文模块，从不同角度充分利用全局信息来提高分割精度，第一个全局上下文模块旨在通过全局平均池化捕获皮肤病变的边界连续性，而另一种方法通过像素级相关性处理形状不规则性。

b：提出了一种空间信息加权方法，为不同的内核分配不同的注意力权重，以便可以直接从训练数据中学习不同全局上下文的重要性。

c：所提出的 ADAM 支持多尺度分辨率融合，因此可以捕获多尺度特征以进一步提高分割精度。

2.重要性

提出一种新颖高效的自适应双重注意模块 (ADAM) 用于自动皮肤病变分割，它能够通过无缝集成两种注意机制来捕获多尺度互补的全局特征，旨在利用它们的互补性来全面应对皮肤病变这个挑战任务。

3.结果

(1)可视化展示

(2)评估指标结果

六. 题目：Dual attention enhancement feature fusion network for segmentation and quantitative analysis of paediatric echocardiography

投稿周期：2020 年 11 月 15 日收到，2021 年 3 月 9 日修订，2021 年 3 月 10 日接受，2021 年 3 月 20 日在线出版。

期刊：Medical Image Analysis，SCI二区。

论文网址：Dual attention enhancement feature fusion network for segmentation and quantitative analysis of paediatric echocardiography - ScienceDirect

推荐指数：★★★★（五星是满分）

推荐理由：提出一种双路径编码机制用于儿科超声心动图的分割。

1.亮点

(1)提出一个双路径特征提取模块(DP-FEM)，通过通道注意机制提取丰富的特征。

(2)基于空间注意力设计了高低级特征融合模块(HL-FFM)，它选择性地将来自高级特征的丰富语义信息与来自低级特征的空间线索融合在一起。

(3)利用交叉熵损失和 Sobel 损失，设计了一种新的混合损失函数，旨在处理像素级错位和边界模糊。

2.重要性

提出一种用于儿科超声心动图分割的新网络。具体来说，在编码部分，带有通道注意力的双路径特征提取模块(DP-FEM)加强了特征提取能力。采用具有空间注意力的高低级特征融合模块(HL-FFM)在解码部分更好地融合高低级特征。此外，还探索了 Sub-Pixel UP 以增强空间特征融合。

3.结果

(1)可视化展示

(2)评估指标结果

七. 题目：GC-Net: Global context network for medical image segmentation

投稿周期：2019 年 6 月 24 日收到，2019 年 9 月 23 日修订，2019 年 10 月 4 日接受。

期刊：Computer Methods and Programs in Biomedicine，SCI三区

论文网址：GC-Net: Global context network for medical image segmentation - ScienceDirect

推荐指数：★★★☆（五星是满分）

推荐理由：本文网络结构突显全局上下文特征对医学图像分割任务的作用。

1.亮点

a：提出一个全局上下文注意(GCA)块来结合高级特征和浅层特征，以产生更具表现力的全局特征信息。

b：提出挤压和激励金字塔池化(SEPP)块以保留更多空间信息。

c：将所提出的 GCA 块和 SEPP 块与编码器-解码器结构集成在一起，用于不同任务的医学图像分割。

2.重要性

GCA模块连接低层和高层特征以产生更具代表性的特征，SEPP模块可增加感受野的大小和多尺度特征融合的能力。

3.结果

(1)可视化展示

(2)评估指标结果

八. 题目：Multi-Organ Segmentation Over Partially Labeled Datasets With Multi-Scale Feature Abstraction

投稿周期：稿件于 2020 年 5 月 15 日收到； 2020 年 6 月 4 日接受，出版日期 2020 年 6 月 9 日。

期刊：IEEE TRANSACTIONS ON MEDICAL IMAGING，SCI一区。

论文网址：Multi-Organ Segmentation Over Partially Labeled Datasets With Multi-Scale Feature Abstraction | IEEE Journals & Magazine | IEEE Xplore

推荐指数：★★★（五星是满分）

推荐理由：提出一种统一的训练策略，可以在多个部分标记的数据集上训练一个新的多尺度深度神经网络，以进行多器官分割。

1.亮点

a：引入新的金字塔输入输出网络来压缩多尺度特征，以减少不同尺度特征之间的语义差距，并采用深度监督机制来细化不同尺度的输出。

b：为充分利用所有尺度的分割特征，设计基于图像上下文的自适应权重层来融合来自多个尺度的分割特征。

c：目标自适应损失与统一的训练策略相结合，以使用单个模型对多个部分标记的数据集进行图像分割。

2.重要性

提出的方法在四个公开可用的数据集上进行了评估，包括 BTCV、LiTS、KiTS 和 Spleen，在这些数据集上取得了较好的分割性能。

3.结果

(1)可视化展示

(2)评估指标结果

九. 题目：ROSE: A Retinal OCT-Angiography Vessel Segmentation Dataset and New Model

投稿周期：稿件于 2020 年 11 月 16 日收到， 2020 年 12 月 2 日接受，出版日期 2020 年 12 月 7 日。

期刊：IEEE TRANSACTIONS ON MEDICAL IMAGING，SCI一区。

论文网址：ROSE: A Retinal OCT-Angiography Vessel Segmentation Dataset and New Model | IEEE Journals & Magazine | IEEE Xplore

推荐指数：★★★（五星是满分）

推荐理由：首次在视网膜图像分析领域构建了一个专用的视网膜 OCTA 分割数据集 (ROSE)，该数据集由 229 个 OCTA 图像组成，其中带有中心线级或像素级的血管注释。

1.亮点

本文引入了一种新的基于分割的粗到细血管分割网络，用于 OCTA 中的血管分割，旨在分别检测粗细血管。在这个方法中，首先使用基于分割的粗分割 (SCS) 模块来生成血管的初步置信度图，然后使用基于分割的精细分割 (SRS) 模块向更精细的血管进行优化，以获得更准确的整体分割结果。

2.重要性

本文采用两阶段训练方法对视网膜图像进行分割，获得了较好的分割性能。

3.结果

(1)可视化展示

(2)评估指标结果

十. 题目：Multi-scale attention U-net for segmenting clinical target volume in graves’ ophthalmopathy

投稿周期：2019 年 11 月 26 日收到，2020 年 3 月 12 日修订，2020 年 11 月 2 日接受，2020 年 11 月 28 日在线出版。

期刊：Neurocomputing，SCI二区。

论文网址：Multi-scale attention U-net for segmenting clinical target volume in graves’ ophthalmopathy - ScienceDirect

推荐指数：★★★（五星是满分）

推荐理由：提出一种称为多尺度注意 U-Net (MAU-Net) 的新型神经网络架构用于Graves 眼病的自动分割。

1.亮点

a：提出了一个多尺度模块并将其应用于 ResNet 中每个残差模块，以适应 CTV 的各种特征尺度。

b：提出了一种新颖的注意力模块，它使用高级特征作为指导信号来调节多尺度模块生成的特征的重要性。

c：多尺度和注意力模块被验证为提高分割精度的有效方法，并且所提出的 MAU-Net 有效提高了Graves眼病的分割性能。

2.重要性

在Unet基础上引入注意力机制和多尺度策略，能够有效提高网络的分割性能。

3.结果

(1)可视化展示

(2)评估指标结果