嵌入注意力机制与Focal Tversky损失函数的卷积循环残差U-Net用于癌细胞核检测
图像与视频处理
2020-10-12 v1 定量方法
摘要
自本十年初以来，CNN一直是计算机视觉任务领域中非常成功的工具。CNN的发明受到神经科学的启发，并与我们的视觉系统在解剖结构上具有许多相似之处。受人类视觉系统解剖结构的启发，我们认为现有的U-Net架构可以在许多方面得到改进。由于人类视觉系统使用注意力机制，我们用注意力拼接替代了普通拼接。尽管CNN本质上是纯前馈的，但解剖学证据表明我们的大脑包含循环突触，且其数量往往超过前馈和自上而下的连接。这一事实启发我们在U-Net中用循环卷积连接替代普通卷积块。本文还解决了医学图像分析领域的类别不平衡问题。本文借助最先进的损失函数解决了类别不平衡问题。我们认为，我们提出的架构可以用少量训练数据进行端到端训练，并且优于U-Net的其他变体。
引用
@article{arxiv.2010.04416,
title = {Convolutional Recurrent Residual U-Net Embedded with Attention Mechanism and Focal Tversky Loss Function for Cancerous Nuclei Detection},
author = {Kaushik Das and Qianni Zhang},
journal= {arXiv preprint arXiv:2010.04416},
year = {2020}
}
备注
10 pages