基于不确定性感知注意力机制的肺结节分割与不确定区域预测
图像与视频处理
2023-09-12 v5 计算机视觉与模式识别
摘要
放射科医生拥有不同的培训与临床经验，导致肺结节分割标注存在差异，从而产生分割不确定性。常规方法通常选择单一标注作为学习目标，或试图学习包含多个标注的潜在空间。然而，这些方法未能利用多个标注间共识与分歧所固有的有价值信息。本文提出一种不确定性感知注意力机制（UAAM），其利用多个标注间的共识与分歧来促进更好的分割。为此，我们引入多置信度掩码（MCM），其结合了低置信度（LC）掩码与高置信度（HC）掩码。LC 掩码指示分割置信度低的区域，即放射科医生可能有不同分割选择的区域。遵循 UAAM，我们进一步设计了不确定性引导多置信度分割网络（UGMCS-Net），其包含三个模块：捕获肺结节通用特征的特征提取模块、生成标注并集、交集与标注集三种特征的不确定性感知模块，以及利用三种特征间距离来平衡最终分割与 MCM 预测的交集-并集约束模块。为全面展示方法性能，我们提出了 LIDC-IDRI 上的复杂结节验证，测试 UGMCS-Net 对常规方法难以分割的肺结节的分割性能。实验结果表明，我们的方法能显著提升常规方法难以分割结节的分割性能。
引用
@article{arxiv.2303.08416,
title = {Lung Nodule Segmentation and Uncertain Region Prediction with an Uncertainty-Aware Attention Mechanism},
author = {Han Yang and Qiuli Wang and Yue Zhang and Zhulin An and Chen Liu and Xiaohong Zhang and S. Kevin Zhou},
journal= {arXiv preprint arXiv:2303.08416},
year = {2023}
}
备注
10 pages, 10 figures. We have reported a preliminary version of this work in MICCAI 2022