DeDA：深度定向累加器

慢性活动性多发性硬化病灶（亦称为 rim+ 病灶）在定量磁化率图上可表现为病灶边缘的强信号环。这些 rim+ 病灶具有几何上简单的结构，其中病灶边缘的梯度呈径向分布，且相较于 rim-（非 rim+）病灶可观察到更大梯度的幅值。然而，近期研究表明，由于数据量有限及高度类别不平衡，此类病灶的识别性能仍不尽如人意。本文中，我们提出一种简单而有效的图像处理操作——深度定向累加器（DeDA），其为向神经网络中注入用于 rim+ 病灶识别的领域特定归纳偏置（先验）提供了新视角。给定特征图与一组采样网格，DeDA 创建并将累加空间量化为有限区间，据此累加特征值。该 DeDA 操作是广义离散 Radon 变换，也可视为前向-反向神经网络框架内网格采样的对称操作，其过程与顺序无关，并可通过原生 CUDA 编程高效实现。在包含 177 个 rim+ 与 3986 个 rim- 病灶的数据集上的实验结果表明，与其他最先进方法相比，部分（假阳性率<0.1）受试者工作特征曲线下面积（pROC AUC）提升 10.1%，精确率-召回率曲线下面积（PR AUC）提升 10.2%。源代码可在 https://github.com/tinymilky/DeDA 在线获取。