论文学习24：Boundary-Sensitive Segmentation of SmallLiver Lesions
代码来源
Boundary-Sensitive Segmentation of Small Liver Lesions | IEEE Journals & Magazine | IEEE Xplore
模块作用
早期诊断在应对肝病带来的全球健康挑战中发挥着关键作用。然而，早期病变通常很小，由于区域不足、难以识别小病变边界以及缺乏微小肝病变掩模，给诊断带来了巨大的困难。为了解决这些问题，本文从两个方面着手：高效的模型和高质量的数据集。该模型基于路径特征和伪装物体检测的优势。路径特征缩小了病变与其他组织之间模糊的边界，而伪装物体检测则在检测不显眼的病变方面实现了高精度。两者无缝集成，确保了较高的准确度和保真度。
模块结构
- 边缘集中 (Edge Concentration, EC)：
- 融合低层 (f2) 和高层 (f5) 特征，通过残差整合计算 fEC = ConvBR(Cat(f'2, f'5))，增强边界区域的高频变化。
- 针对带状边界和路径签名进行微调，专门处理边缘相关特征。
- 引导增强 (Guidance Augmentation, GA)：
- 通过边缘集中特征 (fEC) 与纹理特征 (f) 融合，增强边界影响。
- 边缘信息门控特征融合 (f' = ConvBR(f + f ⊗ fEC)) 和全局平均池化增强融合 (fGA = ConvBR(f' + f' ⊗ GAP(f')))，突出信息丰富的边界区域。
- 边缘与骨架提取 (Edge and Skeleton Extraction)：
- 首先预测病变区域，然后用 Sobel 卷积 (fb = Sobel(fEC)) 提取带状边界，软骨架算法 (fs = SoftSkeleton(fb)) 提取单像素宽度边缘。
- 可以避免直接预测以减少缺失或过度识别问题。
- 路径签名监督 (Path Signature Supervision)：
- 利用路径签名捕捉边界几何特征，通过手动梯度处理解决非可微问题。
- 损失函数为 Lps = 1 - CosSim(PSp, PSg)，比较预测和真实路径签名。
- 其他：
- TEM：通过残差分支和不对称卷积增强纹理特征。
- NCD：优化学习效率，结合高层特征。
- GRA：通过反向粗糙预测细化分割，MGRA 模块迭代精炼。
总结
肝脏病变分割对于肝脏疾病的诊断和治疗至关重要，尤其是对于早期诊断至关重要的小病变。然而，由于从受限区域和模糊边界获取的特征有限，从肝脏图像中识别小病变具有挑战性。因此，本文提出了一个结合路径签名和伪装物体检测的模型来解决这个问题。路径签名侧重于边界区域以创建特定于边缘的特征，并进一步利用这些特征来改进纹理区域分割。为了防止模型直接预测的路径碎片化，研究人员利用预测边界缩小了感兴趣区域，从而获得连续且准确的单像素宽度边缘，这对于路径签名的计算至关重要。受伪装物体检测的启发，本文实现了标准的搜索-识别方法，但在细粒度识别阶段借助了边缘信息。本文旨在使用边缘引导学习来强化纹理特征的边界，以补偿来自病变内部的任何额外信息。为了进一步证明所提模型的有效性，研究人员整理了一个包含超过 10,000 张切片级图像的数据集，其中包含超过 4,000 个病变，其中一半病变较小。在广泛使用的 LiTS 数据集和新构建的数据集上进行的实验表明，所提模型在分割肝脏病变（尤其是小病变）方面表现出色。此外，这个模型在具有挑战性的边界区域也表现出很高的置信度，可以相信该模型和数据集对于肝病分析都很有价值。