学习关注错误

在基于卷积神经网络的医学图像分割中，代表恶性组织的前景区域边缘可能不成比例地被归为健康组织的背景类 \cite{attenUnet}\cite{AttenUnet2018}\cite{InterSeg}\cite{UnetFrontNeuro}\cite{LearnActiveContour}。这导致较高的假阴性检测率。本文中，我们提出一种新颖的注意力机制来直接解决此类高假阴性率问题，称为关注错误（Paying Attention to Mistakes）。我们的注意力机制引导模型朝向假阳性识别，从而抵消现有的假阴性偏向。所提机制有两种互补实现：(a) “显式”引导模型在前景区域上关注更大的有效感受野；(b) “隐式”通过在背景区域上关注更小的有效感受野来引导朝向假阳性。我们在三项任务上验证了方法：1) 使用 CityScapes 在车辆与背景间进行二值密集预测；2) 在 BRATS2018 中使用多模态 MRI 扫描进行增强肿瘤核心分割；3) 在 ISLES2018 中使用超声图像分割卒中病灶。我们将方法与医学成像中最先进的注意力机制（包括自注意力、空间注意力和空间-通道混合注意力）进行比较。在所有三项不同任务中，我们的模型在交并比（IoU）和/或豪斯多夫距离（HD）上持续优于基线模型。例如，在第二项任务中，我们机制的“显式”实现将最佳基线的 HD 降低超过 $26\%$，同时将 IoU 提高超过 $3\%$。我们相信所提注意力机制可使遭受背景过度检测的广泛医学与计算机视觉任务受益。