FANCL：用于脑转移瘤分割的特征引导注意力网络与课程学习
图像与视频处理
2024-10-30 v1 计算机视觉与模式识别
摘要
磁共振图像中脑转移瘤（BMs）的精确分割对患者的诊断和随访至关重要。基于深度卷积神经网络（CNNs）的方法已取得较高的分割性能。然而，由于卷积和池化操作导致关键特征信息丢失，CNNs 在小尺寸脑转移瘤分割中仍面临巨大挑战。此外，脑转移瘤形状不规则且易与健康组织混淆，使得模型在训练过程中难以有效学习肿瘤结构。为解决这些问题，本文提出了一种名为特征引导注意力网络与课程学习（FANCL）的新模型。基于 CNNs，FANCL 利用输入图像及其特征建立不同大小转移瘤之间的内在联系，从而有效利用大肿瘤的信息补偿小肿瘤高层特征的损失。此外，FANCL 应用体素级课程学习策略，帮助模型逐步学习脑转移瘤的结构和细节。并采用不同深度的基线模型作为课程挖掘网络来组织课程进程。在 BraTS-METS 2023 数据集上的评估结果表明，FANCL 显著提升了分割性能，证实了所提方法的有效性。
引用
@article{arxiv.2410.22057,
title = {FANCL: Feature-Guided Attention Network with Curriculum Learning for Brain Metastases Segmentation},
author = {Zijiang Liu and Xiaoyu Liu and Linhao Qu and Yonghong Shi},
journal= {arXiv preprint arXiv:2410.22057},
year = {2024}
}