用于三维医学图像分割的大核注意力
图像与视频处理
2022-07-25 v1 计算机视觉与模式识别
机器学习
摘要
使用深度学习方法从磁共振成像（MRI）和计算机断层扫描（CT）等三维医学图像中自动分割多个器官与肿瘤，可辅助癌症诊断与治疗。然而，器官常相互重叠且复杂连通，具有广泛的解剖变异与低对比度特征。此外，肿瘤形状、位置与外观的多样性，加之背景体素占主导，使准确的三维医学图像分割十分困难。本文提出一种新颖的大核（LK）注意力模块以解决这些问题，实现准确的多器官与肿瘤分割。所提LK注意力模块结合了卷积与自注意力的优势，包括局部上下文信息、长程依赖与通道自适应。该模块还将LK卷积分解以优化计算成本，并可轻松嵌入U-Net等全卷积网络（FCNs）。全面的消融实验证明了卷积分解的可行性，并探索了最有效率的网络设计。其中，基于最佳Mid型LK注意力的U-Net网络在CT-ORG与BraTS 2020数据集上评估，取得了最先进的分割性能。所提LK注意力模块带来的性能提升也通过了统计验证。
引用
@article{arxiv.2207.11225,
title = {Large-Kernel Attention for 3D Medical Image Segmentation},
author = {Hao Li and Yang Nan and Javier Del Ser and Guang Yang},
journal= {arXiv preprint arXiv:2207.11225},
year = {2022}
}
备注
22 pages, 5 figures, submitted to Cognitive Computation