SvANet: A Scale-variant Attention-based Network for Small Medical Object Segmentation

早期发现和准确诊断可以预测恶性疾病转化的风险，从而增加有效治疗的可能性。轻微综合症和小感染区域是疾病早期诊断中的不祥之兆，并且是最重要的。深度学习算法，例如卷积神经网络（CNN），已被用于分割自然或医学物体，表现出有前途的结果。然而，由于CNN中的卷积和池化操作引起的信息丢失和压缩缺陷，分析图像中小区域的医学物体仍然是一个挑战。这些损失和缺陷在网络加深时变得越来越显著，特别是对于小型医学物体。为了解决这些挑战，我们提出了一种新颖的基于尺度变异的注意力网络（SvANet），用于医学图像中准确的小尺度物体分割。SvANet由蒙特卡罗注意力、尺度变异注意力和视觉变换器组成，它结合了跨尺度特征，并减轻了压缩伪影，以增强小型医学物体的区分能力。定量实验结果证明了SvANet的卓越性能，在KiTS23、ISIC 2018、ATLAS、PolypGen、TissueNet、FIVES和SpermHealth数据集中，对于占图像面积不到1%的肾脏肿瘤、皮肤病变、肝脏肿瘤、息肉、手术切除细胞、视网膜血管和精子的分割平均Dice系数分别达到96.12％、96.11％、89.79％、84.15％、80.25％、73.05％和72.58％。

本文旨在解决医学图像中小尺度物体分割的挑战，尤其是由于CNN中的卷积和池化操作导致的信息损失和压缩缺陷。

本文提出了一种新的基于尺度变异注意力的网络（SvANet）来增强小尺度医学物体的辨别能力。该网络包括蒙特卡罗注意力，尺度变异注意力和视觉变换器，能够跨尺度融合特征，减轻压缩伪影。

本文在多个数据集上进行了实验，取得了优秀的分割效果。此外，作者还开源了代码和预训练模型，方便其他研究人员使用和拓展。本文提出的SvANet网络可用于其他医学图像分割任务，具有重要的应用价值。

最近的相关研究包括：《Attention U-Net: Learning Where to Look for the Pancreas》、《Deep Attentional Features for Prostate Segmentation in Ultrasound》等。