多尺度目標分割ideas

在醫學影像分析場景中，人體器官、病灶總是表現出多尺度的特點，具體為目標大小分佈廣。比如肺結節尺度分佈在0~30mm範圍，肺氣管劃分為1~24級。如何提升不同尺度目標的分割效果，作者透過工程實踐驗證，提供以下可參考方案。

採用例項分割

例項分割的思路，採用檢測網路定位目標矩形框（BBox）。根據BBox裁剪目標區域，對不同目標影象塊進行resize，實現尺度歸一化，然後送入分割網路。這種方法對目標檢測效能要求高，因為尺度歸一化的準確性依賴於檢測的BBox。給各位看官姥爺貼上了一份例項分割綜述，哈哈。

粗到細分割

粗到細（coarse to fine）是一種高效的分割演算法框架，利用該方法能夠解決影像掃描範圍差異大、視訊記憶體佔用不足的問題。作者將其用於多尺度器官的分割，採用粗分割網路進行目標的定位，得到目標區域（ROI）。基於ROI區域進行細分割，降低尺度差異帶來的影響。話不多說，直接上論文。

解剖先驗+分級分割

人體解剖結構相對一致，可以利用器官的位置、形狀、尺度等先驗知識，對不同尺度結構分別進行處理，採用分級分割的思想，提升不同尺度的分割效能，尤其是小尺度的敏感性。這個知識點有點抽象，朋友們在實操中領悟吧。描述再多都沒有用，直接上案例吧。

分塊分割

分塊分割適用於小目標分割，尤其是細微特徵的學習。該方法適用於對上下文資訊依賴較小的任務，同時影象塊邊界容易出現假陽，也存在大量重複計算。最後就不上案例了，感興趣的朋友看看nnUNet吧。

最後，也可以採用多尺度訓練的方法，改進網路結構，最佳化Loss函式等等方法。作者更多還是從工程搬磚工的角度拋磚引玉了，over！！！

2021/04/25 補充一種方法

Cascade級聯

這種方法參考關鍵點檢測，多階段的模型能夠實現從粗到細的不同尺度目標的定位

提供參考文獻如下

［1］ Cascade Feature Aggregation for Human Pose Estimation（2019）

［2］ Rethinking on Multi-Stage Networks for Human Pose Estimation（2019）