CSAM：面向各向异性体医学图像分割的 2.5D 跨切片注意力模块
图像与视频处理
2023-11-29 v2 计算机视觉与模式识别
摘要
大部分体医学数据，尤其是磁共振成像（MRI）数据，是各向异性的，因为层间分辨率通常远低于层内分辨率。3D 与纯 2D 基于深度学习的分割方法在处理此类体数据时均有不足：3D 方法面对各向异性数据性能下降，而 2D 方法忽视了关键的体积信息。现有 2.5D 方法研究不足，其主要以 2D 卷积结合体积信息使用。这些模型侧重于学习切片间关系，但通常需要训练大量参数。我们提出一种可训练参数极少的跨切片注意力模块（CSAM），通过对不同尺度深度特征图施加语义、位置与切片注意力，捕获整个体积中所有切片的信息。我们使用不同网络架构与任务开展的广泛实验证明了 CSAM 的实用性与泛化能力。相关代码见 https://github.com/aL3x-O-o-Hung/CSAM。
引用
@article{arxiv.2311.04942,
title = {CSAM: A 2.5D Cross-Slice Attention Module for Anisotropic Volumetric Medical Image Segmentation},
author = {Alex Ling Yu Hung and Haoxin Zheng and Kai Zhao and Xiaoxi Du and Kaifeng Pang and Qi Miao and Steven S. Raman and Demetri Terzopoulos and Kyunghyun Sung},
journal= {arXiv preprint arXiv:2311.04942},
year = {2023}
}