用于脑MRI分割的注意力对称自编码器
计算机视觉与模式识别
2022-09-20 v1
摘要
基于图像块重建的自监督学习方法在训练自编码器方面取得了巨大成功，其预训练权重可迁移以微调其他图像理解下游任务。然而，当现有方法应用于三维医学图像时，很少研究重建图像块的不同重要性以及解剖结构的对称性。本文提出一种基于Vision Transformer（ViT）的新型注意力对称自编码器（ASA），用于三维脑MRI分割任务。我们推测，迫使自编码器恢复信息丰富的图像区域比恢复平滑图像块能获取更具判别性的表示。随后我们采用基于梯度的度量来估计每个图像块的重要性。在预训练阶段，所提自编码器根据梯度度量更关注重建信息丰富的块。此外，我们利用脑结构先验开发了对称位置编码（SPE）方法，以更好地挖掘长程但空间对称区域间的相关性从而获得有效特征。实验结果表明，我们的注意力对称自编码器在三个脑MRI分割基准上优于最先进的自监督学习方法与医学图像分割模型。
引用
@article{arxiv.2209.08887,
title = {Attentive Symmetric Autoencoder for Brain MRI Segmentation},
author = {Junjia Huang and Haofeng Li and Guanbin Li and Xiang Wan},
journal= {arXiv preprint arXiv:2209.08887},
year = {2022}
}
备注
MICCAI 2022, code:https://github.com/lhaof/ASA