SUNet++：一个具有通道注意力的深度网络，用于三维医学图像的小尺度对象分割

UNet及其一系列改进版本作为一种具有编码器-解码器架构的深度学习网络，在医学图像分割中得到了广泛应用。然而，当用于分割3D医学图像（如磁共振成像（MRI）、计算机断层扫描（CT））中的目标时，这些模型不能对垂直空间中的图像相关性进行建模，导致对同一患者的连续切片的准确分析较差。另一方面，编码过程中丢失的大量细节使这些模型无法分割小规模的肿瘤目标。针对三维医学图像中小尺度目标分割的场景，在UNet和UNet++的基础上，提出了一种全新的神经网络模型SUNet++。SUNet++主要在三个方面对现有模型进行了改进：1）采用切片叠加的建模策略，深入挖掘数据的三维信息；2） 通过在解码过程中添加注意力机制，图像中的小规模目标被保留和放大；3） 在上采样过程中，采用了转置卷积运算，进一步增强了模型的效果。为了验证该模型的效果，我们收集并制作了一个包含400多例肝结节的高信号MRI肝脏分期图像数据集。在公共和专有数据集上的实验结果证明了SUNet++在三维医学图像小规模目标分割方面的优越性。