多尺度非对称卷积的轻量级U2-Net医学影像语义分割模型

摘要

基于U2-Net网络结构，设计了一种运行更高效、分割更准确的医学影像语义分割模型。通过多尺度非对称卷积核代替传统的注意力机制以及降低原U2-Net网络的层数，减少模型参数量；通过改变U2-Net网络连接方式，使用U-Net++网络的跳跃连接方式，使模型在传递特征信息时保持完整性，减少信息损失，使分割边缘更加精确且连续；根据正负样本不均衡和难易不同的问题设计了避免在训练过程中大量简单负样本占据主导地位的二分类交叉熵损失函数(BCE Loss),更倾向于挖掘前景区域的骰子损失函数(Dice Loss)以及更偏向于两图的结构相似性的多层级结构相似性损失函数(MS-SSIM Loss)的组合损失函数，用来监督网络优化。实验结果表明：所提算法在DRIVE、STARE数据集上比现有最先进网络模型(SOTA)的F1分数分别提高2.6%、1.4%,在ISIC-2018数据集上比SOTA的DSC指标提高2.6%。对分割结果进行可视化后表明，网络在样本较小的情况下可以充分提取样本信息，提高语义分割效果。

关键词

语义分割 / 医学影像 / 非对称卷积核 / U2-Net网络