用于肝脏病灶分割的双重注意力增强 BDense-UNet
图像与视频处理
2021-07-27 v1 计算机视觉与模式识别
摘要
在这项工作中，我们通过将 DenseUNet 和双向 LSTM 与注意力机制相集成，提出了一种称为 DA-BDense-UNet 的新分割网络。DenseUNet 通过学习足够多样的特征并调节信息流来增强网络的表征能力。双向 LSTM 负责探索编码路径与解码路径中编码特征与上采样特征之间的关系。同时，我们将注意力门（AG）引入 DenseUNet，以逐步减弱不相关背景区域的响应并放大显著区域的响应。此外，双向 LSTM 中的注意力考虑了编码特征与上采样特征在分割改进中的贡献差异，从而能为这两类特征调整适当的权重。我们在来自多家医院的肝脏 CT 图像数据集上通过与最先进分割模型比较进行了实验。实验结果表明，我们提出的方法 DA-BDense-UNet 在 dice 系数方面取得了有竞争力的性能，证明了其有效性。
引用
@article{arxiv.2107.11645,
title = {Dual-Attention Enhanced BDense-UNet for Liver Lesion Segmentation},
author = {Wenming Cao and Philip L. H. Yu and Gilbert C. S. Lui and Keith W. H. Chiu and Ho-Ming Cheng and Yanwen Fang and Man-Fung Yuen and Wai-Kay Seto},
journal= {arXiv preprint arXiv:2107.11645},
year = {2021}
}
备注
9 pages, 3 figures