HCA-Net：面向椎间盘语义标注的分层上下文注意力网络
计算机视觉与模式识别
2023-11-22 v1
摘要
在医学图像中对椎间盘（IVDs）进行准确且自动化的分割，对于评估脊柱相关疾病（如骨质疏松、椎体骨折或椎间盘突出）至关重要。我们提出 HCA-Net，一种新颖的用于椎间盘语义标注的上下文注意力网络架构，其特别关注利用先验几何信息。我们的方法擅长在不同尺度上处理特征，并有效地将其整合以捕获脊髓内复杂的空间关系。为此，HCA-Net 将椎间盘标注建模为一个姿态估计问题，旨在最小化每个预测的椎间盘位置与其对应实际关节位置之间的差异。此外，我们引入了一个骨架损失项，以强化模型对脊柱的几何依赖性。该损失函数旨在将模型的预测约束在与人体椎骨骨架总体结构相匹配的范围内。因此，网络学会减少错误预测的发生，并自适应地提高椎间盘位置估计的准确性。通过在多中心脊柱数据集上的大量实验评估，我们的方法在 MRI T1w 和 T2w 两种模态上均持续优于以往的 SOTA 方法。代码库已在 \href{https://github.com/xmindflow/HCA-Net}{GitHub} 上公开。
引用
@article{arxiv.2311.12486,
title = {HCA-Net: Hierarchical Context Attention Network for Intervertebral Disc Semantic Labeling},
author = {Afshin Bozorgpour and Bobby Azad and Reza Azad and Yury Velichko and Ulas Bagci and Dorit Merhof},
journal= {arXiv preprint arXiv:2311.12486},
year = {2023}
}