论文地址：ET-Net: A Generic Edge-aTtention Guidance Network for Medical Image Segmentation
github代码地址：ETNet
概述
边缘检测方法的缺陷：依赖于局部边缘表示，并且缺少对象级信息，这导致了琐碎的分割区域和不连续的边界。
对象分割方法的缺陷：在不利用边缘信息的情况下，几种对象分割方法需要使用附加的后处理技术（例如条件随机场和形状拟合）来细化初始的粗略分割结果，这既耗时又与先前的分割表示无关。
- 作者在本文中提出了一种新颖的方法来提取判别性上下文特征并有选择地聚合多尺度信息，以进行有效的医学图像分割。
- 作者提出了ET-Net，将边缘检测和对象分割都集成在一个深度学习网络中，该方法嵌入了边缘注意表示以指导分割过程。
方法
如图所示为ET-Net的网络结构图:
- ET-Net使用了在医疗图像分割很火的编码-解码结构。
- 编码器使用了resnet-50作为编码器结构，使用了四种编码器，每种编码器适用于不同的特征图分辨率。
- 解码器路径由三个级联的解码块（D-Block）组成，这些级联用于维护E-Blocks的高级功能的特征并增强其表示能力。
EGM结构如图所示：
边缘信息提供有用的细粒度约束，以指导分割过程中的特征提取。但是，只有低级功能才能保留足够的边缘信息。因此，我们仅将EGM应用于解码路径的早期层的顶层。
WAG模块如图所示：
