基于多级残差多尺度的医学图像分割网络

针对目前多数U型网络存在编码阶段卷积核尺度单一难以提取变化较大特征以及深层网络难以训练优化的情况，提出一种新的基于多级残差和多尺度的神经网络，利用多级残差使神经网络更易学习，提高网络的深度，使它在模型不退化的情况下拥有更丰富的特征表达能力，提出了了多尺度交叉融合模块，通过不同的感受尺度去提取特征，交叉融合也使得特征信息更加充分的交流和融合。网络在CHASE＿DB1数据集上进行测试，并进行数据对比，性能表现优良，特别是ACC达到了0.9744,SP达到了0.9876。提出的网络在增加深度的同时并不影响它的学习过程和表现效果。