Attention U-Net：学习在何处寻找胰腺
计算机视觉与模式识别
2018-05-22 v3
摘要
我们提出一种用于医学影像的新型注意力门(AG)模型，可自动学习聚焦于形状和大小各异的目标结构。使用AG训练的模型隐式地学习抑制输入图像中的无关区域，同时高亮对特定任务有用的显著特征。这使我们能够免去级联卷积神经网络(CNNs)中使用显式外部组织/器官定位模块的必要性。AG可轻松集成到标准CNN架构（如U-Net模型）中，计算开销极小，同时提升模型灵敏度与预测精度。所提出的Attention U-Net架构在两个大型腹部CT数据集上进行了多类图像分割评估。实验结果表明，AG在不同数据集与训练规模下持续提高U-Net的预测性能，同时保持计算效率。所提架构的代码已公开可用。
引用
@article{arxiv.1804.03999,
title = {Attention U-Net: Learning Where to Look for the Pancreas},
author = {Ozan Oktay and Jo Schlemper and Loic Le Folgoc and Matthew Lee and Mattias Heinrich and Kazunari Misawa and Kensaku Mori and Steven McDonagh and Nils Y Hammerla and Bernhard Kainz and Ben Glocker and Daniel Rueckert},
journal= {arXiv preprint arXiv:1804.03999},
year = {2018}
}
备注
Accepted to published in MIDL'18 (Revised Version) / OpenReview link: https://openreview.net/forum?id=Skft7cijM