EFCNet: Every Feature Counts for Small Medical Object Segmentation

本文探讨了具有重要临床价值的非常小的医学物体的分割。虽然卷积神经网络（CNN），特别是UNet模型和最近的Transformer在图像分割方面取得了显著进展，但我们的实证研究发现它们在分割本文所关注的小型医学物体和病变方面的表现较差。这种限制可能归因于它们在编码和解码过程中的信息丢失。针对这一挑战，我们提出了一种新的模型，名为EFCNet，用于医学图像中的小物体分割。我们的模型包括两个模块：交叉阶段轴向注意力模块（CSAA）和多精度监督模块（MPS）。这些模块分别解决了编码和解码过程中的信息丢失问题。具体而言，CSAA集成了来自编码器所有阶段的特征，以自适应地学习不同解码阶段所需的合适信息，从而减少了编码器中的信息丢失。另一方面，MPS引入了一种新的多精度监督机制到解码器中。这种机制优先关注解码器初始阶段的低分辨率特征，从而减轻了后续卷积和采样过程造成的信息丢失，并增强了模型的全局感知能力。我们在两个基准医学图像数据集上评估了我们的模型。结果表明，EFCNet在设计用于医学和普通图像的先前分割方法方面显著优于它们。

本文旨在解决医学图像中非常小的医学对象分割问题，以及验证当前CNN和Transformer在这方面的表现是否较差。

本文提出了一种名为EFCNet的模型，其中包含两个模块：CSAA和MPS。CSAA可减少编码器中的信息丢失，而MPS则通过引入新的多精度监督机制来增强模型的全局感知能力。

本文的实验结果表明，EFCNet在两个医学图像数据集上显著优于以前的分割方法。此外，本文还提供了开源代码。

最近的相关研究包括：'Medical image segmentation using deep learning: A review'，'A survey on deep learning in medical image analysis'等。