D2A U-Net：基于膨胀卷积与双注意力机制的CT切片COVID-19病灶自动分割
图像与视频处理
2021-02-11 v1 计算机视觉与模式识别
摘要
2019冠状病毒病（COVID-19）已造成大量伤亡，几乎成为世界上最紧迫的公共卫生事件。计算机断层扫描（CT）是COVID-19感染的重要筛查工具，COVID-19 CT图像中肺部感染的自动分割将极大辅助患者诊断与医疗。然而，准确且自动的COVID-19肺部感染分割仍具挑战性。本文提出一种基于膨胀卷积与新颖双注意力机制的膨胀双注意力U-Net（D2A U-Net）用于CT切片中COVID-19病灶分割，以解决上述问题。我们在模型解码器引入膨胀卷积模块以获得大感受野，优化解码过程并提升分割精度。同时，我们提出由分别插入跳跃连接与模型解码器的两个注意力模块组成的双注意力机制，用于细化特征图并减小模型不同层级间的语义鸿沟。所提方法在开源数据集上评估，优于语义分割前沿方法。我们提出的带预训练编码器的D2A U-Net取得0.7298的Dice分数与0.7071的召回分数。此外，我们还构建了无预训练编码器的简化D2A U-Net，以与其他从头训练的模型公平比较，其仍以0.7047的Dice分数和0.6626的召回分数优于流行U-Net系列模型。实验结果表明，通过引入膨胀卷积与双注意力机制，假阳性数显著减少，提升了对COVID-19病灶的灵敏度，进而带来Dice分数的显著提升。
引用
@article{arxiv.2102.05210,
title = {D2A U-Net: Automatic Segmentation of COVID-19 Lesions from CT Slices with Dilated Convolution and Dual Attention Mechanism},
author = {Xiangyu Zhao and Peng Zhang and Fan Song and Guangda Fan and Yangyang Sun and Yujia Wang and Zheyuan Tian and Luqi Zhang and Guanglei Zhang},
journal= {arXiv preprint arXiv:2102.05210},
year = {2021}
}