模糊注意力神经网络解决气道分割中的不连续问题
图像与视频处理
2022-09-12 v2 计算机视觉与模式识别
机器学习
摘要
气道分割对肺部疾病的检查、诊断和预后至关重要，而其手动勾画过于繁重。为缓解这一耗时且可能主观的手动过程，研究者已提出从计算机断层扫描（CT）图像自动分割气道的方法。然而，一些小型气道分支（如支气管和终末细支气管）显著加剧了机器学习模型的自动分割难度。特别是，体素值的方差和气道分支中严重的数据不平衡使计算模块易于产生不连续和假阴性预测，尤其对于患有不同肺部疾病的队列。注意力机制已展现出分割复杂结构的能力，而模糊逻辑可减少特征表示中的不确定性。因此，由模糊注意力层给出的深度注意力网络与模糊理论的结合，应是提升泛化性与鲁棒性的升级方案。本文提出一种高效的气道分割方法，包含新颖的模糊注意力神经网络和综合损失函数，以增强气道分割的空间连续性。深度模糊集由特征图中的一组体素和可学习的高斯隶属度函数构成。与现有注意力机制不同，所提出的通道特定模糊注意力解决了不同通道中异质特征的问题。此外，提出一种新评估指标以同时评估气道结构的连续性和完整性。所提方法的效率、泛化性和鲁棒性已通过在正常肺部疾病上训练而在肺癌、COVID-19和肺纤维化数据集上测试得到证明。
引用
@article{arxiv.2209.02048,
title = {Fuzzy Attention Neural Network to Tackle Discontinuity in Airway Segmentation},
author = {Yang Nan and Javier Del Ser and Zeyu Tang and Peng Tang and Xiaodan Xing and Yingying Fang and Francisco Herrera and Witold Pedrycz and Simon Walsh and Guang Yang},
journal= {arXiv preprint arXiv:2209.02048},
year = {2022}
}
备注
12 pages, 5 figures, Submitted to IEEE TNNLS