用于三维经直肠超声中前列腺分割的深度注意力特征
图像与视频处理
2024-03-05 v2 人工智能
计算机视觉与模式识别
机器学习
摘要
经直肠超声（TRUS）图像中的前列腺自动分割对于图像引导的前列腺介入和治疗规划至关重要。然而，由于 TRUS 中前列腺边界缺失/模糊、强度分布不均匀以及前列腺形状差异大，开发此类自动解决方案仍非常具有挑战性。本文提出了一种新颖的配备注意力模块的三维深度神经网络，通过充分利用卷积神经网络（CNN）不同层编码的互补信息，实现 TRUS 中更好的前列腺分割。我们的注意力模块利用注意力机制选择性地利用从各层整合的多级特征来精炼每一单独层的特征，抑制 CNN 浅层中的非前列腺噪声，并向深层特征中注入更多前列腺细节。在具有挑战性的三维 TRUS 体数据上的实验结果表明，我们的方法获得了令人满意的分割性能。所提出的注意力机制是一种聚合多级深度特征的通用策略，并有望用于其他医学图像分割任务。代码已公开于 https://github.com/wulalago/DAF3D。
引用
@article{arxiv.1907.01743,
title = {Deep Attentive Features for Prostate Segmentation in 3D Transrectal Ultrasound},
author = {Yi Wang and Haoran Dou and Xiaowei Hu and Lei Zhu and Xin Yang and Ming Xu and Jing Qin and Pheng-Ann Heng and Tianfu Wang and Dong Ni},
journal= {arXiv preprint arXiv:1907.01743},
year = {2024}
}
备注
11 pages, 10 figures, 2 tables. Accepted by IEEE transactions on Medical Imaging