基于注意力的动态子空间学习器在医学图像分析中的应用
计算机视觉与模式识别
2022-06-22 v1
摘要
相似性学习是医学图像分析中的一个关键方面，特别是在推荐系统或揭示图像中解剖数据的解释方面。现有的大多数方法使用单一度量学习器在图像集的嵌入空间中学习此类相似性。然而，图像具有多种对象属性，如颜色、形状或伪影。使用单一度量学习器编码这些属性是不充分的，并且可能无法泛化。相反，多个学习器可以在一个总体嵌入的不同子空间中分别关注这些属性的不同方面。然而，这意味着需要为每个新数据集凭经验确定学习器的数量。本工作提出的动态子空间学习器，通过消除预先知道学习器数量的需求并在训练过程中聚合新的子空间学习器，动态地利用多个学习器。此外，通过将注意力模块集成到我们的方法中，增强了这种子空间学习的视觉可解释性。这种集成的注意力机制提供了对有助于图像集聚类的判别性图像特征的视觉洞察，以及对嵌入特征的视觉解释。我们基于注意力的动态子空间学习器的优势在图像聚类、图像检索和弱监督分割的应用中得到了评估。我们的方法取得了与多个学习器基线性能相当的竞争性结果，并且在三个不同的公共基准数据集上，在聚类和检索得分方面显著优于分类网络。此外，我们的注意力图提供了代理标签，与最先进的解释技术相比，在Dice分数上，分割准确率提高了高达15%。
引用
@article{arxiv.2206.09068,
title = {Attention-based Dynamic Subspace Learners for Medical Image Analysis},
author = {Sukesh Adiga and Jose Dolz and Herve Lombaert},
journal= {arXiv preprint arXiv:2206.09068},
year = {2022}
}