用于 COVID-19 病灶分割的全尺度深度监督注意力网络
图像与视频处理
2022-10-28 v1 计算机视觉与模式识别
摘要
从肺部 CT 扫描中自动勾画 COVID-19 病灶有助于患者的诊断与预后。感染区域的不对称形状与位置分布使该任务极为困难。在多尺度上捕获信息将有助于解析全局与局部层面的特征，从而涵盖不同大小与纹理的病灶。我们提出全尺度深度监督注意力网络（FuDSA-Net），用于高效分割 CT 图像中冠状病毒感染的肺部区域。该模型考虑了编码路径所有层级的激活响应，涵盖了网络不同层级获取的多尺度特征。这有助于分割具有不同形状、大小和对比度的目标区域（病灶）。将全部多尺度特征纳入新颖的注意力机制，有助于优先选择包含有用信息的激活响应与位置。通过深度监督，促进了在解码路径上确定鲁棒且具有判别性的特征。解码分支中的连接被重新设计以处理梯度消失问题。实验结果表明，FuDSA-Net 超越了其他最先进的架构；尤其在刻画病灶复杂几何形状方面表现突出。
引用
@article{arxiv.2210.15571,
title = {Full-scale Deeply Supervised Attention Network for Segmenting COVID-19 Lesions},
author = {Pallabi Dutta and Sushmita Mitra},
journal= {arXiv preprint arXiv:2210.15571},
year = {2022}
}