ISA-Net：用于 PET-CT 肿瘤分割的改进空间注意力网络
图像与视频处理
2022-11-07 v1 计算机视觉与模式识别
摘要
实现准确且自动化的肿瘤分割在临床实践和放射组学研究中均起着重要作用。医学中的分割目前通常由专家手动完成，这是一项费力、昂贵且易出错的任务。手动标注严重依赖这些专家的经验和知识。此外，观察者内部和观察者之间存在大量差异。因此，开发一种能够自动分割肿瘤目标区域的方法具有重要意义。本文中，我们提出一种基于多模态正电子发射断层扫描-计算机断层扫描（PET-CT）的深度学习分割方法，其结合了 PET 的高灵敏度与 CT 的精确解剖信息。我们设计了一种改进的空间注意力网络（ISA-Net）以提高 PET 或 CT 检测肿瘤的准确率，该网络使用多尺度卷积操作提取特征信息，并能突出肿瘤区域位置信息并抑制非肿瘤区域位置信息。此外，我们的网络在编码阶段采用双通道输入并在解码阶段进行融合，从而可利用 PET 与 CT 之间的差异性与互补性。我们在两个临床数据集（软组织肉瘤（STS）和头颈肿瘤（HECKTOR）数据集）上验证了所提出的 ISA-Net 方法，并与其他用于肿瘤分割的注意力方法进行比较。STS 数据集上 0.8378 的 DSC 分数和 HECKTOR 数据集上 0.8076 的 DSC 分数表明，ISA-Net 方法取得了更好的分割性能并具有更好的泛化能力。结论：本文提出的方法基于多模态医学图像肿瘤分割，可有效利用不同模态的差异与互补。该方法经适当调整后也可应用于其他多模态数据或单模态数据。
引用
@article{arxiv.2211.02256,
title = {ISA-Net: Improved spatial attention network for PET-CT tumor segmentation},
author = {Zhengyong Huang and Sijuan Zou and Guoshuai Wang and Zixiang Chen and Hao Shen and Haiyan Wang and Na Zhang and Lu Zhang and Fan Yang and Haining Wangg and Dong Liang and Tianye Niu and Xiaohua Zhuc and Zhanli Hua},
journal= {arXiv preprint arXiv:2211.02256},
year = {2022}
}