注意力门控网络：学习利用医学图像中的显著区域
计算机视觉与模式识别
2019-01-23 v2
摘要
我们提出一种用于医学图像分析的新型注意力门（AG）模型，可自动学习聚焦于不同形状和大小的目标结构。使用 AG 训练的模型隐式学习抑制输入图像中的无关区域，同时突出对特定任务有用的显著特征。这使我们能够在使用卷积神经网络（CNN）时免去使用显式外部组织/器官定位模块的必要性。AG 可轻松集成到标准 CNN 模型（如 VGG 或 U-Net 架构）中，计算开销极小，同时提高模型灵敏度和预测精度。所提 AG 模型在多种任务上评估，包括医学图像分类与分割。对于分类，我们展示了 AG 在胎儿超声筛查扫描平面检测中的用例。我们表明所提注意力机制可提供高效目标定位，同时通过减少假阳性改善整体预测性能。对于分割，所提架构在两个带多器官手动标注的大型 3D CT 腹部数据集上评估。实验结果表明，AG 模型在不同数据集和训练规模下持续提升基础架构的预测性能，同时保持计算效率。此外，AG 引导模型激活聚焦于显著区域，从而更好地洞察模型预测如何作出。所提 AG 模型的源代码公开可用。
引用
@article{arxiv.1808.08114,
title = {Attention Gated Networks: Learning to Leverage Salient Regions in Medical Images},
author = {Jo Schlemper and Ozan Oktay and Michiel Schaap and Mattias Heinrich and Bernhard Kainz and Ben Glocker and Daniel Rueckert},
journal= {arXiv preprint arXiv:1808.08114},
year = {2019}
}
备注
Accepted for Medical Image Analysis (Special Issue on Medical Imaging with Deep Learning). arXiv admin note: substantial text overlap with arXiv:1804.03999, arXiv:1804.05338