CoRe：一个用于医学图像分割的端到端协作精细化网络

《IEEE Journal of Biomedical and Health Informatics》：CoRe: An End-to-End Collaborative Refinement Network for Medical Image Segmentation

本研究针对医学图像分割中编码器-解码器网络的空间细节丢失问题，提出端到端协同优化方法CoRe。通过不确定图预测生成误差敏感区域，结合局部感知特征和前景边界增强特征优化上采样特征，并引入全局类中心定位模块提升分割精度，在五种异构数据集上验证显著优于现有方法。

　　

摘要：

从医学图像分割中获得的解剖学信息为临床诊断和治疗提供了重要的决策依据。最近提出的具有编码器-解码器架构的深度网络取得了令人印象深刻的结果。然而，这些现有的深度网络存在一些固有的缺陷，例如，网络深度和下采样操作共同导致了深度特征的空间细节信息的丢失。我们发现，正是由于缺乏针对这些固有缺陷的解决方案，才使得进一步提高分割性能变得困难。因此，基于这些发现，我们提出了一种端到端的协作细化方法（CoRe）。具体来说，我们首先通过预测不确定性图和前景边界图来生成一个易出错区域（EPR），以模拟错误区域；在定位出高错误倾向的像素后，我们提出了一种基于邻域感知特征和前景边界增强特征的特征细化模块（FRM），来细化解码器的上采样特征，从而更好地重建丢失的空间细节信息。此外，我们还提出了一个分割细化模块（SRM），通过建立高度代表性的全局类别中心来细化粗糙的分割预测，这些全局类别中心全面包含了每个分割目标的内在属性。最后，我们在五个具有不同模态和分割目标的数据集上进行了广泛的实验。实验结果表明，我们的方法取得了显著的改进，并且与当前最先进的方法相比具有竞争力。