Boundary-aware context neural network for medical image segmentation（医学分割-多任务之间注意力层内注意力）

前言

Boundary-aware context neural network for medical image segmentation给我最深的印象就是他的注意力模型，就是他处理各层之间的信息交互和不同任务之间信息交互时候用的注意力模块处理的很简单，效果也很好。比较好的利用了上下文。
论文地址：https://arxiv.org/abs/2005.00966v1
代码：https://github.com/mathwrx/BA-Net
我就不按文章结构来了，也差不多。

一、解决什么问题？

问题：医学分割
医学分割的难题：
1.病变区域对于不同的个体具有不同的大小和形状。
2.病变与背景的低对比度也给分割带来了很大的挑战。
那这篇论文具体是解决什么问题？（如何学习更丰富的上下文仍然是分割算法提高识别性能。）
传统图像分割方法存在的问题：1）传统方法往往设计低级手工特征，进行启发式假设，这通常会限制复杂场景下的预测性能。此外，忽略了原始图像中丰富的可用信息。2）对伪影、图像质量和强度不均匀性的鲁棒性较低，这在很大程度上取决于有效的预处理。
现在用了DeepLearning后的医学分割:成功克服了传统手工制作的限制。现在方法的问题：不准确的对象边界和不满意的分割结果。原因：由于上下文信息有限，连续池化和卷积操作后的判别性特征图不足。
So总体而言，如何学习更丰富的上下文仍然是分割算法提高识别性能。

二、那怎么设计解决的

他们使用了BA-Net。在编码器每一层使用PEE(在多个颗粒度下获得边的信息，为分割目标对象提供互补线索)，设计了MTL（为了丰富编码器每个层的采样信息，训练期间联合监督分割和边界图预测。）提出IA，充分利用不同人物