基于多尺度注意力融合模块超分辨率辅助的硬性渗出物分割
图像与视频处理
2022-11-18 v1 计算机视觉与模式识别
摘要
硬性渗出物(HE)是视网膜水肿最具特异性的生物标志物。精确的HE分割对疾病诊断与治疗至关重要，但自动分割受其尺寸、形状和位置等特征大变异性的挑战，难以检测微小病灶及病灶边界。考虑到分割与超分辨率任务间的互补特征，本文提出一种名为SS-MAF的新型硬性渗出物分割方法，其引入辅助超分辨率任务，为微小病灶与边界检测带来有益细节特征。具体地，我们为双流框架提出名为多尺度注意力融合(MAF)模块的融合模块，以有效整合两任务特征。MAF首先采用分离空间卷积(SSC)层提取多尺度特征，然后利用注意力机制融合两任务特征。考虑像素依赖性，我们引入区域互信息(RMI)损失优化MAF模块以检测微小病灶与边界。我们在IDRiD和E-Ophtha两个公开病灶数据集上评估了方法。我们的方法在低分辨率输入下展现出具竞争力的性能（定量与定性均然）。在E-Ophtha数据集上，相较最先进方法，该方法Dice系数与召回率可提升。
引用
@article{arxiv.2211.09404,
title = {Hard Exudate Segmentation Supplemented by Super-Resolution with Multi-scale Attention Fusion Module},
author = {Jiayi Zhang and Xiaoshan Chen and Zhongxi Qiu and Mingming Yang and Yan Hu and Jiang Liu},
journal= {arXiv preprint arXiv:2211.09404},
year = {2022}
}
备注
Accepted by IEEE BIBM 2022