利用 3D 上下文与空间注意力改进深度病灶检测
计算机视觉与模式识别
2019-07-10 v1
摘要
与自然物体检测相比，从计算机断层扫描（CT）中检测病灶具有挑战性，原因有两点：病灶尺寸小和类间差异小。首先，病灶通常仅占 CT 图像中的一小块区域。由于空间特征分辨率有限，此类小区域的特征可能无法提供充足信息。其次，在 CT 扫描中，病灶常与背景难以区分，因为病灶与非病灶区域可能具有非常相似的外观。为解决这两个问题，我们需要丰富特征表示并提升特征判别力。因此，我们在 3D 上下文病灶检测框架中引入了双重注意力机制，包括跨切片上下文注意力，通过软重采样过程选择性地聚合来自不同切片的信息。此外，我们提出片内空间注意力，以将特征学习聚焦于最显著的区域。我们的方法可以轻松端到端训练，且不会在基础检测网络上增加沉重开销。我们使用 DeepLesion 数据集训练了一个通用病灶检测器，以检测各类病灶，如肝肿瘤、肺结节等。结果表明，我们的模型能显著提升基线病灶检测器（具有 3D 上下文信息）的结果，且使用的切片少得多。
引用
@article{arxiv.1907.04052,
title = {Improving Deep Lesion Detection Using 3D Contextual and Spatial Attention},
author = {Qingyi Tao and Zongyuan Ge and Jianfei Cai and Jianxiong Yin and Simon See},
journal= {arXiv preprint arXiv:1907.04052},
year = {2019}
}
备注
Accepted by MICCAI 2019