CASPIANET++：一种用于脑肿瘤分割的具有噪声学生课程学习范式的多维通道-空间非对称注意力网络
图像与视频处理
2021-07-12 v1 计算机视觉与模式识别
摘要
卷积神经网络（CNNs）已相当成功地用于脑肿瘤的语义分割。然而，当前的 CNNs 和注意力机制本质上是随机的，并且忽略了放射科医生手动标注感兴趣区域时所使用的形态学指标。本文中，我们利用肿瘤的内在结构引入通道与空间维度的非对称注意力（CASPIAN）以检测显著区域。为证明我们所提出层的有效性，我们将其集成到一个成熟的卷积神经网络（CNN）架构中，以更少的 GPU 资源取得更高的 Dice 分数。此外，我们研究了辅助多尺度与多平面注意力分支的引入，以增加语义分割任务中至关重要的空间上下文。由此得到的架构即新的 CASPIANET++，其 Dice 分数在全体肿瘤、肿瘤核心和增强肿瘤上分别达到 91.19%、87.6% 和 81.03%。进一步，受脑肿瘤数据稀缺的驱动，我们研究了用于分割任务的噪声学生（Noisy Student）方法。我们新的噪声学生课程学习范式逐步注入噪声以增加网络所接触训练图像的复杂度，将增强肿瘤区域进一步提升至 81.53%。在 BraTS2020 数据上进行的额外验证表明，噪声学生课程学习方法在无需任何额外训练或微调的情况下表现良好。
引用
@article{arxiv.2107.04099,
title = {CASPIANET++: A Multidimensional Channel-Spatial Asymmetric Attention Network with Noisy Student Curriculum Learning Paradigm for Brain Tumor Segmentation},
author = {Andrea Liew and Chun Cheng Lee and Boon Leong Lan and Maxine Tan},
journal= {arXiv preprint arXiv:2107.04099},
year = {2021}
}