基于协方差自注意力双路径UNet的直肠肿瘤分割
图像与视频处理
2021-01-06 v2 计算机视觉与模式识别
摘要
深度学习算法在直肠肿瘤分割中更具优势。然而，利用深度学习方法准确分割并识别直肠肿瘤的位置和大小仍是一项具有挑战性的任务。为增强提取足够特征信息以进行直肠肿瘤分割的能力，我们提出了一种协方差自注意力双路径UNet（CSA-DPUNet）。所提网络主要对UNet做了两处改进：1）将仅含单路径结构的UNet修改为包含两条收缩路径和两条扩展路径（新网络命名为DPUNet），有助于从CT图像中提取更多特征信息；2）将纵横自注意力模块引入DPUNet，同时将相关运算的原始计算方法替换为协方差运算，可进一步增强DPUNet的表征能力并提高直肠肿瘤分割精度。实验表明，与当前最先进（SOTA）结果相比，CSA-DPUNet在Dice系数、P、R、F1上分别提升15.31%、7.2%、11.8%和9.5%，证明我们所提CSA-DPUNet对直肠肿瘤分割有效。
引用
@article{arxiv.2011.02880,
title = {Covariance Self-Attention Dual Path UNet for Rectal Tumor Segmentation},
author = {Haijun Gao and Bochuan Zheng and Dazhi Pan and Xiangyin Zeng},
journal= {arXiv preprint arXiv:2011.02880},
year = {2021}
}