论文笔记MRLA-Net: A tumor segmentation network embedded with a multiple receptive-field lesion attention

        肿瘤图像分割是医生诊断和制定治疗方案的重要依据。PET-CT由于其各自模态信息的互补优势，是识别疾病全身情况的极其重要的技术。然而，当前PET-CT肿瘤分割方法通常集中于PET和CT特征的融合。特征的融合会弱化情态本身的特征。因此，增强病灶的模态特征可以获得优化的特征集，这对改善分割结果是非常必要的。      

        在医学影像技术中，CT因其无创、快速、廉价的特点而被广泛应用于各种疾病的诊断。随着CT技术的发展，图像的信噪比普遍较高，能够准确反映器官的边缘以及器官与病变的差异。但不同类型、不同时期的肿瘤灰度差异很大。很难总结出与其他机关不同的一般规律。这使得在非增强CT扫描中难以观察病变。如果仅通过CT图像进行诊断，则可能发生误诊。由于其独特的分子功能成像模式，PET能够实现疾病的显微镜表示和全身分析。因此，PET-CT可以帮助医生快速定位病灶，了解全身情况，制定最佳治疗方案。

        肿瘤的形状和大小在病例中表现出很大的差异。肿瘤的最大直径范围从小于1cm到大于10 cm，因此范围跨度非常大。患者的量表分布不具有正态分布的特征。然而，对于PET-CT图像，在两种模态图像上仅少量肿瘤是明显的。大量肿瘤在单一模态图像上仅具有明显的病变区域，并且在另一模态上极难区分。在这些情况下，当CT图像中的病变与周围组织的灰度相同时，PET图像中的代谢灰度差异可以区分它们。另外，当病灶与周围组织在PET图像上表现出相同的低代谢影像学表现时，CT可以定位到坏死区伴低密度影。因此，PET的分子功能成像和CT的密度成像的结合可以为医生提供更多关于病变及其与健康区域的区别特征的信息。

        本文提出了一种将PET-CT诊断视野与病灶形态特征相结合的病灶关注模块，即多感受野病灶关注模块。本文充分利用了空间域、频域和通道注意力，提出了一个大感受野病灶定位模块和一个小感受野病灶增强模块，共同构成了多感受野病灶注意模块。

        这项工作的主要贡献如下：

                1.本文提出了基于医生诊断视野和PET-CT病变诊断优缺点的MRLAM。据我们所知，这是第一个针对PET-CT自身模式及其病变诊断特征的关注模块。

                2.本文充分利用PET的定位优势和CT的解剖细节，设计了定位分支（LR-LB）和边缘增强分支（SR-EEB）。针对PET-CT成像的不足，利用频域分析，设计了细节增强（LDEB）和纹理增强分支（LTEB）。所提出的MRLAM试图将医生的诊断先验知识最大程度地转化为注意方法。

                3.本文对MRLAM的位置进行了严格的设计，对编码器特征和注意力特征进行了分组交叉采样。它在多个PET-CT数据集上取得了良好的性能。