通过可插入式时序注意模块实现运动增强的心脏解剖分割
计算机视觉与模式识别
2025-09-09 v2 人工智能
摘要
心脏解剖分割对于临床评估心脏形态学至关重要，以 Inform 诊断和干预。深度学习（DL），特别是结合运动信息，已显著提高了分割精度。然而，现有的运动增强技术尚不完善，且因维度增加或采用非 DL 运动配准、非注意模型或单头注意等次优方法而导致计算成本高或鲁棒性差。此外，这些方法的可适应性有限，不便于集成到需要运动感知的现有网络中。本文提出一种新型、计算效率高的时序注意模块（TAM），其独特之处在于作为一个轻量级、可插入式的多头跨时序注意模块，提供稳健的运动增强。TAM 的独特性在于它是一个轻量级、即插即用模块，可插入到广泛的分割网络中（CNN 结构、Transformer 结构或混合结构），用于运动增强，而无需对网络主干进行实质性修改。这一特性使得其具有高度的可适应性和集成便利性，可用于增强现有及未来网络。在多个 2D 和 3D 心脏超声和 MRI 数据集上进行的广泛实验表明，TAM 在各种网络上均能一致地提高分割精度，同时保持计算效率，并优于当前报告的性能。该证据表明，它是一种稳健、可推广的解决方案，可实现运动感知增强，且具有可扩展性（例如从 2D 扩展至 3D）。
引用
@article{arxiv.2501.14929,
title = {Motion-enhanced Cardiac Anatomy Segmentation via an Insertable Temporal Attention Module},
author = {Md. Kamrul Hasan and Guang Yang and Choon Hwai Yap},
journal= {arXiv preprint arXiv:2501.14929},
year = {2025}
}
备注
Accepted for oral presentation in the 6th International Workshop of Advances in Simplifying Medical Ultrasound (ASMUS). The code is available at https://github.com/kamruleee51/TAM