面向医学图像分割的层次化注意力网络
计算机视觉与模式识别
2019-11-26 v2
摘要
医学图像具有类间模糊、高变异性与噪声的特点，像素识别颇具挑战。与以往从单一层级捕获上下文信息的自注意力方法不同，我们从高阶图视角重新表述自注意力机制，并提出一种新方法，即层次化注意力网络（HANet），以解决医学图像分割问题。具体而言，嵌入于 HANet 的 HA 模块从多层级邻域中捕获上下文信息，这些邻域提取自高阶图。在高阶图中，仅当两个节点间相关性足够高时才存在边，这自然降低了由类间模糊引起的噪声注意力信息。所提 HA 模块对输入变化具有鲁棒性，并可灵活插入现有卷积神经网络中。我们在三项医学图像分割任务上开展实验，包括视盘/视杯分割、血管分割与肺分割。大量结果表明，我们的方法比现有 state-of-the-art 方法更有效且更鲁棒。
引用
@article{arxiv.1911.08777,
title = {Hierarchical Attention Networks for Medical Image Segmentation},
author = {Fei Ding and Gang Yang and Jinlu Liu and Jun Wu and Dayong Ding and Jie Xv and Gangwei Cheng and Xirong Li},
journal= {arXiv preprint arXiv:1911.08777},
year = {2019}
}