CA-Net：用于可解释医学图像分割的综合注意力卷积神经网络
图像与视频处理
2020-11-05 v2 计算机视觉与模式识别
摘要
准确的医学图像分割对于疾病的诊断与治疗规划至关重要。卷积神经网络（CNNs）在自动医学图像分割中已取得最先进的性能。然而，在分割目标的位置、形状和尺度存在较大变化等复杂条件下，它们仍面临挑战，且现有CNNs可解释性差，限制了其在临床决策中的应用。本工作中，我们在CNN架构中广泛利用多种注意力机制，提出一种基于综合注意力的CNN（CA-Net），用于更准确且可解释的医学图像分割，该网络同时关注最重要的空间位置、通道与尺度。具体而言，我们首先提出联合空间注意力模块，使网络更聚焦于前景区域。随后，提出一种新颖的通道注意力模块，自适应地重校准通道特征响应并突出最相关的特征通道。此外，我们提出尺度注意力模块，隐式地强调多尺度中最显著的特征图，使CNN能自适应于目标尺寸。在ISIC 2018皮肤病变分割与胎儿MRI多类分割上的大量实验表明，与U-Net相比，我们提出的CA-Net将皮肤病变的平均分割Dice分数从87.77%显著提升至92.08%，胎盘从84.79%提升至87.08%，胎儿脑从93.20%提升至95.88%。与最先进的DeepLabv3+相比，其模型尺寸缩小约15倍，且精度相当甚至更优。此外，通过可视化注意力权重图，它具有比现有网络高得多的可解释性。我们的代码见 https://github.com/HiLab-git/CA-Net
引用
@article{arxiv.2009.10549,
title = {CA-Net: Comprehensive Attention Convolutional Neural Networks for Explainable Medical Image Segmentation},
author = {Ran Gu and Guotai Wang and Tao Song and Rui Huang and Michael Aertsen and Jan Deprest and Sébastien Ourselin and Tom Vercauteren and Shaoting Zhang},
journal= {arXiv preprint arXiv:2009.10549},
year = {2020}
}