蒋清婷 叶海良 曹飞龙

医学图像分割是医学图像处理和分析领域中复杂、重要的任务之一[1-2].临床医生通常利用成像技术观察图像中器官等病变的情况,以便在疾病的早期阶段进行干预[3].然而,医学图像本身往往存在边缘模糊的问题,使边缘分割的效果不够理想,给临床医生的诊断带来巨大的障碍[4-5].因此,医学图像边缘的精准分割是一个极具前景的研究方向.

近年来,卷积神经网络(Convolutional Neural Networks, CNN)在医学图像分割任务中取得重大进展.特别是,2015年Ronneberger等[6]提出U-Net,已成为后续许多医学图像分割方法研究的基准网络[7-8].Zhou等[9]构造UNet++,设计密集跳跃连接,更好地利用不同尺度下解码器的特征.Gu等[10]引入空洞卷积,提出CE-Net(Context Encoder Network).

然而,上述方法在编码与解码过程中都连续采样,容易导致空间信息和细节信息的丢失,不利于医学图像的边缘分割[11].为此,研究人员提出基于注意力机制的边缘细化方法[12-14]和基于CNN的边缘分割方法.Zhou等[15]提出CFA-Net(Cross-Level Feature Aggregation Network),设计两个分割网络,整合语义信息和边界信息.Fan等[16]提出PraNet(Parallel Reverse Attention Network),引入反注意力模块,关注病变区域外的边缘部分.Cao等[17]提出TSD-BA(Two-Stage Decoding Network with Boundary Attention),利用粗预测作为先验,进一步挖掘边界特征.然而,上述方法仅考虑单独添加先验指导信息,未考虑特征通道之间的不平衡性,效果相对较弱,很难保证边缘形状分割的连续性.

近年来,图神经网络(Graph Neural Networks, GNN)在远程信息推理方面显示出巨大的潜力,已逐渐应用于医学图像的分割任务中[18].对于CNN很难保证目标形状连续性的问题,GNN将形状的连续性……