用于脑肿瘤自动分割的二维 UNet 注意力引导版本
图像与视频处理
2020-04-07 v1 计算机视觉与模式识别
摘要
胶质瘤是脑肿瘤中最常见且最具侵袭性的类型，其在最高级别时导致患者预期寿命短暂。因此，治疗评估是改善患者生活质量的关键阶段。近年来，深度卷积神经网络（DCNNs）在脑肿瘤分割中取得了显著性能，但由于胶质瘤的强度和外观高度多变，该任务仍然困难。大多数现有方法，尤其是基于 UNet 的网络，以朴素方式整合低层与高层特征，这可能导致模型混淆。此外，多数方法采用 3D 架构以利用输入图像的 3D 上下文信息。这些架构比 2D 架构包含更多参数与计算复杂度。另一方面，使用 2D 模型则无法利用输入图像的 3D 上下文信息。为解决上述问题，我们设计了一种基于 2D UNet 的低参数网络，其中采用了两种技术。第一种技术是注意力机制，在拼接低层与高层特征后采用。该技术通过自适应地对各通道加权来防止模型混淆。第二种技术是多视角融合（Multi-View Fusion）。采用该技术，尽管使用 2D 模型，我们仍可利用输入图像的 3D 上下文信息。实验结果表明，我们的方法优于 2017 和 2018 年的前沿（state-of-the-art）方法。
引用
@article{arxiv.2004.02009,
title = {Attention-Guided Version of 2D UNet for Automatic Brain Tumor Segmentation},
author = {Mehrdad Noori and Ali Bahri and Karim Mohammadi},
journal= {arXiv preprint arXiv:2004.02009},
year = {2020}
}
备注
7 pages, 5 figures, 4 tables, Accepted by ICCKE 2019