CaraNet：用于小医学目标分割的上下文轴向反向注意力网络
图像与视频处理
2022-01-17 v3 计算机视觉与模式识别
摘要
准确可靠地分割医学图像对疾病诊断和治疗十分重要。由于目标尺寸、形状和扫描模态的广泛多样性，这是一项具有挑战性的任务。近来，许多卷积神经网络(CNN)被设计用于分割任务并取得了巨大成功。然而，极少研究充分考量目标尺寸，因而多数在小目标分割上表现不佳。这会对疾病的早期检测产生重大影响。本文提出一种上下文轴向反向注意力网络(Context Axial Reverse Attention Network, CaraNet)，以相比若干近期最先进模型提升小目标上的分割性能。我们在脑肿瘤(BraTS 2018)与息肉(Kvasir-SEG、CVC-ColonDB、CVC-ClinicDB、CVC-300和ETIS-LaribPolypDB)分割数据集上测试了CaraNet。我们的CaraNet取得了排名第一的平均Dice分割精度，结果表明CaraNet在小医学目标分割上具有明显优势。
引用
@article{arxiv.2108.07368,
title = {CaraNet: Context Axial Reverse Attention Network for Segmentation of Small Medical Objects},
author = {Ange Lou and Shuyue Guan and Hanseok Ko and Murray Loew},
journal= {arXiv preprint arXiv:2108.07368},
year = {2022}
}
备注
Accepted by SPIE Medical Imaging: Image Processing (oral presentation)