EAR-U-Net:基于 EfficientNet 与注意力机制的残差 U-Net 用于 CT 中肝脏自动分割
图像与视频处理
2021-10-05 v1 计算机视觉与模式识别
摘要
目的:本文提出一种称为 EAR-U-Net 的新网络框架,其利用 EfficientNetB4、注意力门与残差学习技术来实现自动且准确的肝脏分割。方法:所提方法基于 U-Net 框架。首先,我们使用 EfficientNetB4 作为编码器,在编码阶段提取更多特征信息。随后,在跳跃连接中引入注意力门以消除无关区域并突出特定分割任务的特征。最后,为缓解梯度消失问题,我们将解码器的传统卷积替换为残差块以提升分割精度。结果:我们在 LiTS17 与 SLiver07 数据集上验证了所提方法,并与 FCN、U-Net、Attention U-Net 及 Attention Res-U-Net 等经典网络比较。在 Sliver07 评估中,所提方法在所有五项标准指标上取得最佳分割性能。同时,在 LiTS17 评估中,除 RVD 上略逊外均获最佳表现。此外,我们也参与了 MICCIA-LiTS17 挑战赛,逐例 Dice 得分为 0.952。结论:所提方法的定性与定量结果表明其在肝脏分割中的适用性,并证明其于计算机辅助肝脏分割中的良好前景。
引用
@article{arxiv.2110.01014,
title = {EAR-U-Net: EfficientNet and attention-based residual U-Net for automatic liver segmentation in CT},
author = {Jinke Wang and Xiangyang Zhang and Peiqing Lv and Lubiao Zhou and Haiying Wang},
journal= {arXiv preprint arXiv:2110.01014},
year = {2021}
}
备注
26 pages