HADCNet：用于医学图像分割的分层升维密集连接网络

为解决 U 形架构模型分割结果不准确问题，研究人员提出 HADCNet，实验效果优异。

　　医学图像分割是计算机辅助诊断技术的关键组成部分。在过去几年中，基于 U 形架构的分层模型已成为主流方法，但由于详细特征的丢失，该模型往往无法提供准确的结果。为了解决这个问题，本文提出了一种分层升维密集连接网络（Hierarchical Ascending Densely Connected Network，HADCNet），通过在分层组织的网络中捕获局部短程和全局长程病理特征，实现更精确的分割。首先，HADCNet 设计了一种带有多路径注意力门（Multi-Path Attention Gate，MAG）的跨尺度升维密集连接结构，以实现全局病理特征的全尺度交互。然后，引入空间 - 通道重建单元（Spatial Reconstruction Unit，SRU 和 Channel Reconstruction Unit，CRU）来减少冗余计算，并促进代表性特征的学习。最后，将多尺度输出进行聚合以获得最终成像。大量实验表明，该方法在 Synapse 数据集（用于多器官分割）上的平均 Dice 相似系数（DSC）达到 84.45%，95% Hausdorff 距离（HD95）为 17.55 毫米，在 ACDC（用于心脏诊断）和 ISIC2018 数据集（用于病变分割）上也有同样出色的表现。此外，HADCNet 可以灵活地集成到现有的骨干网络中以获得更好的性能，例如，分别将 HADC 与 TransUnet 和 SwinUnet 相结合，Dice 评分分别提高了 3.28% 和 2.53%。