核磁共振图像(MRI)、断层扫描CT图像、X光图像、超声图像、正电子发射断层扫描PET图像和显微镜图像等医学图像在疾病定位与检测、组织器官分割、病灶信息配准与融合等方面的广泛应用，为保障人民健康安全、提升医疗服务水平提供了有力的支撑。医学图像分割是医学图像处理与分析的首要步骤和关键环节，然而，传统的医学图像自动分割技术需要大量的先验知识，泛化性差，基于深度学习的方法模型中信息流路径是有限的，面对医学图像自身具有边界模糊、分割目标不规则、变化复杂的特性，表现并不乐观，加之医学图像中感兴趣区域的形状尺寸之间都存在很大的差别，对输入图片进行下采样会丢失底层空间信息，对后续处理带来不利影响。

图1. MufiNet网络结构示意图

图2. MCEU-Net网络结构示意图

为了解决上述问题，如图1所示，课题组提出了一种基于U-Net链的多尺度融合残差网络(MufiNet)。该模型由多对编码器-解码器组成，在每对编码器与解码器之间使用快捷机制进行连接，通过增加有效路径的数量改善信息流。提出了一种能够捕获多尺度特征的密集连接的多尺度残差块DMR，该块与U-Net链结合起来保留更多的信息流路径。在DMR模块采用参数共享策略，使其在不增大参数量的情况下，利用多尺度的上下文信息提高模型的分割性能和鲁棒性。此外，为针对多尺度差异问题，如图2所示，课题组提出了一种基于U-Net的多尺度上下文提取网络(MCEU-Net)。MCEU-Net模型是在编码器和解码器之间添加了一个上下文信息提取模块，该模块由密集的膨胀卷积模块(DDC)和残差的多尺度池化模块(RMP)组成，通过DDC模块和RMP模块捕获更多的抽象特征并保留更多的空间信息。此外还提出了可学习且不需要额外补充0的上采样方法RUM。同时引入并改进了Dice损失函数，以解决医学图像中背景区域所占比例远大于感兴趣区域带来的不利影响。