腹部多器官分割的边界感知网络

Title:Boundary-Aware Network for Abdominal Multi-Organ Segmentation

摘要

目前存在的问题是由于腹部器官的大小不一，导致器官之间的边界不明确（边界模糊问题）这对于腹部多器官分割仍然具有很大的挑战性。

本文提出了一个边界感知网络来分割CT扫描和MRI扫描的腹部器官分割。这个模型包含一个共享编码器，一个边界解码器和一个分段解码器。并且两个解码器都采用了多尺度深监督的策略。可以缓解因器官大小不同而带来的问题。利用边界解码器在每个比例上生成的边界概率图作为注意点增强分割特征图。

Introduction

目前腹部多器官分割存在的问题：1）腹部器官区域各器官之间体积差异较大2）边界模糊问题。

在本文中提出了一种边界感知网络（BA-Net）。BA-Net是一个编码器解码器结构。为了使模型更加关注容易出错的边界，引入了一个辅助边界解码器来检测目标器官的边界模糊。BA-Net在解码器的每个尺度上都对边界和分割解码器进行了监督，进一步提高了模型对不同尺寸目标器官的鲁棒性。

改进了特征融合机制，将检测到的边界概率图作为对应分割特征的注意图，而不是直接将边界特征图与分割特征图拼接。

方法

所提出的BA-Net包含共享编码器，边界解码器和分割解码器。整体结构如下图所示：

编码器从输入特征中提取特征然后利用提取的进行目标器官的边界检测，分割解码器将提取的特征作为输入。采用边界解码器生成的边界概率图作为注意力图，增强分割特征。

共享的编码器

 采用NNUnet作为BA-Net的主干网络。它包含N个编码器块，每个编码器块由两个卷积层组成，每个卷积层之后都是实例归一化和LeakyRelu激活函数。下采样操作使用跨步卷积执行，紧跟在每个编码器块之后。

边界解码器

边界解码器包含N个解码器块，对编码器提取的特征图进行上采样并逐步细化生成边界图，采用步长为2的转置卷积来提高输入特征映射的分辨率。将上采样的特征图与从相应的编码器块中提取的低级特征图连接起来，然后将其送入解码器块。每个解码器的输出特征映射经过卷积层和SoftMax层处理。在每个比例尺度生成边界概率图.

分割解码器

分割解码器的结构与边界解码器相似，只是在每个比例尺上增加了一个步骤来增强分割特征映射。在分割解码器的每个模块中，用相应的边界概率映射对上采样的特征映射进行增强用公式表示为

得到的结果为增强特征图，U（）为上采样操作。在分割解码器块进一步进行处理之前，将增强的特征映射从相应的编码器块提取的特征映射连接起来。与边界解码器类似，每个分割解码器的输出特征映射也经过卷积层和SoftMax层处理，生成分割图。

训练And推理

 采用DiceLoss和交叉熵损失的结合作为边界检测和器官分割任务的损失函数。

总结

本文提出了一种用于腹部多器官分割的BA-Net算法。该系统由用于特征提取的共享编码器、用于边界检测的边界解码器和用于目标器官分割的分割解码器组成。

在边界解码器和分割解码器的每个比例尺上，使用对应比例尺上的边界和分割掩码来监督预测概率图。利用每个译码块上的预测边界图作为注意图，增强分割特征。