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。轻微的综合症状和小的感染区域是一种不祥的预警，也是疾病早期诊断中最重要的。深度学习算法，如卷积神经网络（CNN），已被用于分割自然或医学对象，并显示出有希望的结果。然而，由于CNN中的卷积和池化操作导致的信息损失和压缩缺陷，分析图像中小区域的医学对象仍然是一个挑战。这些损失和缺陷随着网络加深而变得越来越显著，特别是对于小的医学对象。为了解决这些挑战，我们提出了一种新的基于尺度变异注意力的网络（SvANet），用于精确的医学图像中小尺度对象分割。SvANet包括蒙特卡罗注意力、尺度变异注意力和视觉变换器，它结合了跨尺度特征，并减轻了压缩伪影，以增强小医学对象的区分能力。定量实验结果表明，SvANet的性能优越，对于分割肾肿瘤、皮肤病变、肝脏肿瘤、息肉、手术切除细胞、视网膜血管和精子等在KiTS23、ISIC 2018、ATLAS、PolypGen、TissueNet、FIVES和SpermHealth数据集中占图像面积不到1%的小医学对象，平均Dice系数分别达到96.12％、96.11％、89.79％、84.15％、80.25％、73.05％和72.58％。

研究如何在医学图像中精确地分割小型医学对象，以提高疾病早期诊断和治疗效果。

提出了一种新的比基于卷积神经网络（CNN）更有效的尺度变异关注网络（SvANet），可以克服CNN中由于卷积和池化操作引起的信息丢失和压缩缺陷，从而提高小型医学对象的辨别能力。

使用Monte Carlo注意力，尺度变异关注和视觉变换器等技术，提高小型医学对象的分割精度。在多个数据集上进行实验，取得了优异的结果。

最近的相关研究包括：“U-Net++: A Nested U-Net Architecture for Medical Image Segmentation”和“Deep Learning for Medical Image Segmentation: A Review”。