摘要：深度学习中的编解码网络在图像特征提取和层次特征融合方面具有优异的性能，常用于医学图像分割。然而，目前主流的编解码网络分割方法仍然面临两个问题：1）在编解码阶段，单个网络挖掘的图像特征信息可能不足；2） 使用简单跳过连接的编码器-解码器网络无法充分利用全尺寸特征的上下文信息。因此，针对现有方法的不足，提出了一种融合全尺寸特征融合和RNN的编码-解码网络用于医学图像分割。首先，将卷积多层感知器（MLP）模块与MLP相结合引入U-Net编码器中，以进一步扩展编码器的特征接收域。其次，通过全尺寸特征融合模块，将各尺度的跳跃连接特征与粗粒度信息和细粒度信息进行有效融合。此操作减少了每个尺度的跳过连接特征之间的语义差异，并突出了图像的关键特征信息。最后，解码器通过结合递归神经网络（RNN）和注意机制的递归注意解码模块（RADU）逐级细化图像特征信息，在避免信息冗余的同时加强特征提取，并获得最终分割结果。该方法与BrainWeb、MRbrainS、HVSMR和Choledoch数据集上的主流算法进行了比较，在像素精度和骰子相似度方面提高了图像分割精度。因此，实验结果表明，通过引入全尺寸特征融合模块和所提出的RADU，该方法在图像分割应用中可以取得良好的分割效果，并且具有良好的噪声鲁棒性和抗干扰能力。

关键词： 医学图像分割， 编码器-解码器网络， 多层感知器， 全尺度特征融合， 注意机制， 循环神经网络