27、生物医学图像分割的深度多级上下文网络

生物医学图像分割的深度多级上下文网络

生物医学图像分割在医学图像计算领域一直是至关重要且具有挑战性的课题。它是许多生物医学相关应用的基础组成部分，如医学疾病诊断和生物互连解释。下面将详细介绍相关内容。

1. 生物医学图像分割的挑战与现状

生物医学图像分割面临诸多挑战。以神经元结构分割为例，2D 串行高分辨率电子显微镜（EM）成像常用于微神经回路的可视化，但存在以下问题：
- 图像变形 ：采集过程中的图像变形可能会模糊相邻神经元之间的膜边界。
- 膜特征变化大 ：神经元膜在图像对比度和膜厚度方面的变化非常大，厚度范围从实心暗曲线到浅灰色条带。
- 细胞内结构干扰 ：细胞内结构的存在使基于边缘检测和区域生长的方法在识别神经元膜时效果不佳，一些混淆的微观结构可能会误导区域合并或错误地将一个区域分割成多个部分。此外，成像伪影和图像对齐误差也给有效分割算法的设计带来困难。

近年来，具有分层特征表示的深度学习在图像分类、目标检测和分割等各种应用中取得了有希望的结果。然而，计算机化结果与人类注释之间仍存在明显的性能差距。以前基于深度学习的研究存在两个主要缺点：
- 计算效率低 ：滑动窗口扫描操作对计算效率造成沉重负担，在大规模生物医学图像分割中必须认真考虑这一点。
- 上下文窗口大小设置问题 ：生物结构的大小差异很大，使用单一大小的子窗口进行分类虽然在某些情况下性能良好，但在上下文窗口大小设置不当的区域可能会产生不理想的结果。

2. 相