50、二分类医学图像分割的指导性特征增强

二分类医学图像分割的指导性特征增强

1 引言

医学图像分割（MIS）在计算机辅助诊断中起着至关重要的作用，它能提供有关解剖或病理结构变化的重要信息。随着智能医学的快速发展，MIS涉及的成像模态日益增多，这对深度模型的准确性和通用性提出了更高要求。

医学图像因成像方法不同而具有多种模态，即使是同一模态但不同部位的图像，整体结构相似但细节和纹理存在差异。在特定模态或解剖结构数据集上训练的模型，可能无法适应新的数据集。为了便于进行二分类医学图像分割（DMIS）任务，构建了一个大规模数据集Cosmos55k，它包含55,023张具有挑战性的医学图像，涵盖26种解剖结构和7种模态。

当前大多数MIS架构设计精心，一些通过增加骨干网络的深度或宽度，如UNet++使用嵌套和密集跳跃连接，DeepLabV3+结合扩张卷积和特征金字塔池化与有效解码器模块；另一些则创建了功能模块，如Inception及其变体、深度可分离卷积、注意力机制和多尺度特征融合等。虽然这些模块有前景且使用灵活，但通常需要针对不同DMIS任务进行反复手工调整。像nnUNet这样的框架，通过整合关键数据集属性为多个DMIS任务开发了自适应分割管道，取得了先进水平，但设计成本高昂。更重要的是，以往的DMIS网络往往忽略了识别和增强对分割有决定性和指导性的特征通道的重要性，这可能限制了它们在一般DMIS任务中的性能。

研究发现，特定特征通道中富含纹理和尖锐边缘的线索对准确分割对象至关重要。曲率可以表示图像的边缘特征，信息熵可以描述图像的纹理和内容复杂度。基于曲率和信息熵，提出了一种简单的方法来平衡准确性和通用性，只需对经典网络进行微小修改。主要贡献如下：
- 提出了新颖的2D DMIS任务，并构建了大规