一种灵活的2.5D医学图像分割方法，集成跨切片注意力
图像与视频处理
2024-05-02 v1 计算机视觉与模式识别
机器学习
摘要
深度学习已成为医学图像分割的事实标准，3D分割模型在捕获复杂3D结构方面表现突出，而2D模型则提供了高计算效率。然而，对2.5D图像进行分割——即在平面内分辨率高、穿透方向分辨率低的图像进行分割——仍是相对未被充分探索的挑战。虽然将2D模型应用于2.5D图像的单个切片是可行的，但无法捕获切片之间的空间关系。另一方面，3D模型面临分辨率在2.5D图像中的不一致性、计算复杂度以及在数据有限时容易过拟合的挑战。在此背景下，能够仅使用2D神经网络捕获跨切片相关性的2.5D模型成为一个有前景的解决方案，由于其降低了计算需求和实现的简单性。本文我们引入CSA-Net，一种能够处理任意切片数的灵活2.5D分割模型，通过一种创新的跨切片注意力（CSA）模块实现。该模块使用跨切片注意力机制有效地捕获3D空间信息，通过学习中心切片（用于分割）与其相邻切片之间的长程依赖关系。此外，CSA-Net利用自注意力机制来理解中心切片中像素之间的相关性。我们在三个2.5D分割任务上对CSA-Net进行了评估：（1）多类脑MRI分割，（2）二值化前列腺MRI分割，（3）多类前列腺MRI分割。在所有三个任务中，CSA-Net均优于领先的2D和2.5D分割方法，显示其效能和优越性。我们的代码已公开available at https://github.com/mirthAI/CSA-Net。
引用
@article{arxiv.2405.00130,
title = {A Flexible 2.5D Medical Image Segmentation Approach with In-Slice and Cross-Slice Attention},
author = {Amarjeet Kumar and Hongxu Jiang and Muhammad Imran and Cyndi Valdes and Gabriela Leon and Dahyun Kang and Parvathi Nataraj and Yuyin Zhou and Michael D. Weiss and Wei Shao},
journal= {arXiv preprint arXiv:2405.00130},
year = {2024}
}