Convolutional neural networks (CNN) has been widely used in biomedical image segmentation (BIS) tasks for its remarkable feature representation capability, and most of existing CNN-based segmentation networks leverage a down-sampling operation to achieve larger acceptance domain. However, down-sampling operations could inevitably loss the detailed information of images which is very important for the BIS task. In this paper, we propose a full-resolution biomedical image segmentation network(FRNet) that could maintain the integrated detailed information of image while keeping sufficient semantic information and large receptive field. Specifically, the basic semantic feature and non-destructive feature are employed to represent the semantic and detailed information of images, respectively. A backbone network and a new full-feature extraction branch are conducted to extract those two kinds of complementary features. Furthermore, a novel feature fusion module is designed to integrate those complementary features to achieve non-destructive description of images. Finally, in order to further improve the description ability of the integrated feature, a Densely connected Atrous Spatial Pyramid Pooling(DenseASPP) module is arranged at the end of our proposed FRNet to extract the multiscale information of images. Thorough experimental results on several available databases demonstrate the effectiveness and advancement of FRNet.

卷积神经网络 (CNN) 因其卓越的特征表示能力而广泛应用于生物医学图像分割 (BIS) 任务，并且现有的大多数基于 CNN 的分割网络利用下采样操作来实现更大的接受域。然而，下采样操作不可避免地会丢失图像的详细信息，这对于 BIS 任务非常重要。在本文中，我们提出了一种全分辨率生物医学图像分割网络（FRNet），它可以保持图像的综合详细信息，同时保持足够的语义信息和大的感受野。具体而言，利用基本语义特征和无损特征分别表示图像的语义和详细信息。进行骨干网络和新的全特征提取分支来提取这两种互补特征。此外，设计了一种新颖的特征融合模块来整合这些互补特征，以实现对图像的无损描述。最后，为了进一步提高集成特征的描述能力，在我们提出的 FRNet 的末尾布置了一个密集连接的 Atrous Spatial Pyramid Pooling（DenseASPP）模块来提取图像的多尺度信息。在几个可用数据库上的彻底实验结果证明了 FRNet 的有效性和先进性。最后，为了进一步提高集成特征的描述能力，在我们提出的 FRNet 的末尾布置了一个密集连接的 Atrous Spatial Pyramid Pooling（DenseASPP）模块来提取图像的多尺度信息。在几个可用数据库上的彻底实验结果证明了 FRNet 的有效性和先进性。最后，为了进一步提高集成特征的描述能力，在我们提出的 FRNet 的末尾布置了一个密集连接的 Atrous Spatial Pyramid Pooling（DenseASPP）模块来提取图像的多尺度信息。在几个可用数据库上的彻底实验结果证明了 FRNet 的有效性和先进性。