Light-weight Retinal Layer Segmentation with Global Reasoning

本文介绍了一种用于医学图像（如光学相干断层扫描图像）的自动视网膜层分割方法，该方法是诊断眼科疾病的重要工具。然而，由于图像中存在低对比度和血流噪声，因此实现准确分割具有挑战性。此外，算法应该是轻量级的，以便用于实际的临床应用。因此，我们希望设计一种高性能的轻量级网络来进行视网膜层分割。在本文中，我们提出了一种名为LightReSeg的视网膜层分割方法，可应用于OCT图像。具体而言，我们的方法遵循编码器-解码器结构，其中编码器部分采用多尺度特征提取和Transformer块，以充分利用所有尺度的特征图的语义信息，并使特征具有更好的全局推理能力。在解码器部分，我们设计了一个多尺度不对称注意力（MAA）模块，以保留每个编码器尺度上的语义信息。实验表明，我们的方法在我们收集的数据集和其他两个公共数据集上，仅使用3.3M参数，就比当前最先进的方法TransUnet（使用105.7M参数）实现了更好的分割性能。

设计一种轻量级的神经网络，用于实现视网膜层分割，以帮助医学诊断。

提出了一种名为LightReSeg的神经网络，采用编码器-解码器结构，其中编码器部分利用多尺度特征提取和Transformer模块，解码器部分采用多尺度不对称注意力模块来保留编码器各尺度的语义信息。

论文在多个数据集上验证了LightReSeg的性能，结果表明LightReSeg在参数数量少的情况下能够实现比当前最先进的方法TransUnet更好的分割性能。论文还开源了代码。

与本文相关的研究包括TransUnet、DeepLabV3+等。