基于局部块自注意力的正常器官分割
计算机视觉与模式识别
2019-09-12 v1
摘要
我们提出了一种新颖且计算简单的基于局部块自注意力的正常结构分割方法，应用于头颈部计算机断层扫描（CT）图像。我们的方法利用了正常器官在图像中空间位置与相互关系具有规律性的洞察，借此可简化聚合特征信息所需的计算。我们通过使用局部自注意力块相互传递信息以推导注意力图来实现这一点。我们表明，增加额外的注意力层可扩大上下文场并捕获来自相关结构的聚焦注意力。我们使用U-net开发该方法，并与多种最先进的自注意力方法进行比较。所有模型在48例内部头颈部CT扫描上训练，并在来自计算解剖学数据集外部公共领域数据库的48例CT扫描上测试。我们的方法取得了最高的Dice相似系数分割精度：左、右腮腺为0.850.04、0.860.04，左、右颌下腺为0.790.07和0.770.05，下颌骨为0.930.01，脑干为0.880.02，且相较于标准U-net每幅图像计算时间仅增加最低66.7%、模型参数仅增加0.15%。最佳的最先进方法称为逐点空间注意力，取得了可比的精度，但相较于标准U-net计算时间增加516.7%、参数增加8.14%。最后，我们进行了消融实验，研究了注意力块大小、注意力块重叠、额外注意力层以及注意力块位置对分割性能的影响。
引用
@article{arxiv.1909.05054,
title = {Local block-wise self attention for normal organ segmentation},
author = {Jue Jiang and Elguindi Sharif and Hyemin Um and Sean Berry and Harini Veeraraghavan},
journal= {arXiv preprint arXiv:1909.05054},
year = {2019}
}