MC-Net: multi-scale context-attention network for medical CT image segmentation
2022 用于医学CT图像分割的多尺度上下文注意网络
编码器-解码器卷积神经网络在编码过程中丢失了细节，从而限制了准确性的提高。为了解决这个问题，本文提出了一种多尺度上下文注意力网络（MC-Net）。其关键思想是探索用于医学感兴趣对象分割的多尺度信息和上下文信息。通过引入多尺度和上下文注意力模块，MC-Net能够提取目标周围的局部和全局语义信息。为了进一步提高分割准确性，本文根据像素是否属于目标赋予它们不同的权重。
- 提出了一个MFE模块来学习不同尺度的相关信息；
- 利用三个并行的扩张卷积建立CIE模块，提取上下文信息；
- 在跳跃连接中引入注意模块对像素进行重新加权，抑制无关信息，突出特定特征；
MC-Net的结构
它由四个主要部分组成：MFE模块、CIE模块、残差注意力(RA)模块和快速特征解码(FFD)模块。首先，CT图像被发送到编码网络。然后用SPConv代替传统的卷积，在拼接前利用MFE模块学习目标的多尺度特征。然后，在编码器阶段加入CIE模块，以利用全局和局部上下文信息。同时，在跳跃连接中引入RA模块，对像素进行重新加权。最后，FFD模块代替原来的上采样操作，得到分割结果。