D-TrAttUnet：基于双解码器 Transformer 注意力 Unet 的二分类与多分类 Covid-19 感染分割架构
图像与视频处理
2023-03-29 v1 计算机视觉与模式识别
摘要
过去三年中，全球面临由 Covid-19 大流行引发的危机。医学影像在抗击该疾病与挽救生命中发挥了关键作用。事实上，CT 扫描已在 Covid-19 感染的诊断、检测与随访中证明其效能。本文中，我们提出一种基于 Transformer-CNN 的新方法，用于从 CT 切片分割 Covid-19 感染。所提出的 D-TrAttUnet 架构具有编码器-解码器结构，其中提出了复合 Transformer-CNN 编码器与双解码器。Transformer-CNN 编码器由 Transformer 层、UpResBlocks、ResBlocks 与最大池化层构建。双解码器由两个带注意力门的相同 CNN 解码器组成。两个解码器用于同时分割感染区域与肺部区域，且两项任务的损失相联合。所提出的 D-TrAttUnet 架构在二分类与多分类 Covid-19 感染分割中均得到评估。实验结果证明了该方法处理有限数据下 Covid-19 分割任务复杂性的有效性。此外，在二分类与多分类分割任务中，D-TrAttUnet 架构均优于三种基线 CNN 分割架构（Unet、AttUnet 与 Unet++）以及三种最先进架构（AnamNet、SCOATNet 与 CopleNet）。
引用
@article{arxiv.2303.15576,
title = {D-TrAttUnet: Dual-Decoder Transformer-Based Attention Unet Architecture for Binary and Multi-classes Covid-19 Infection Segmentation},
author = {Fares Bougourzi and Cosimo Distante and Fadi Dornaika and Abdelmalik Taleb-Ahmed},
journal= {arXiv preprint arXiv:2303.15576},
year = {2023}
}