AGMR-Net：用于卒中分割的注意力引导多尺度恢复框架
计算机视觉与模式识别
2022-04-19 v2
摘要
自动且准确的病灶分割对于临床评估卒中疾病的病灶状态和开发适当的诊断系统至关重要。尽管现有方法已取得显著成果，模型的进一步采用仍受以下因素阻碍：（1）类间难辨，正常脑组织对病灶在外观上相似。（2）类内不一致，病灶不同区域间存在较大差异。为解决卒中分割中的这些挑战，我们在本文中提出一种新方法，即注意力引导多尺度恢复框架（AGMR-Net）。首先，在编码中采用粗粒度块注意力模块，以多阶段显式监督方式获得基于块的粗粒度注意力图，通过基于块的加权技术实现目标空间上下文显著性表示，消除类内不一致的影响。其次，为获得更精细的边界划分以解决类间难辨的挑战，采用新设计的交叉维度特征融合模块捕获全局上下文信息，进一步引导 2D 与 3D 特征的选择性聚合，弥补 2D 卷积边界学习能力的不足。最后，在解码阶段，创新设计的多尺度反卷积上采样替代线性插值，增强目标空间与边界信息的恢复。AGMR-Net 在开放数据集 Anatomical Tracings of Lesions-After-Stroke (ATLAS) 上评估，取得了最高的 dice 相似系数（DSC）0.594、Hausdorff 距离 27.005 mm 和平均对称表面距离 7.137 mm，表明我们提出的方法优于其他最先进方法，在卒中诊断中具有巨大潜力。
引用
@article{arxiv.2202.13687,
title = {AGMR-Net: Attention Guided Multiscale Recovery framework for stroke segmentation},
author = {Xiuquan Du and Kunpeng Ma and Yuhui Song},
journal= {arXiv preprint arXiv:2202.13687},
year = {2022}
}