用于骨盆骨折后活动性出血多病灶分割的多尺度注意力网络
图像与视频处理
2019-09-04 v2 计算机视觉与模式识别
摘要
创伤是全球 45 岁以下人群死亡与致残的首要原因，而骨盆骨折是发病与死亡的主要来源。从腹盆部创伤 CT 中自动分割多处动脉出血灶，可提供活动性出血总体范围的快速客观测量，潜在地增强床旁结局预测，同时改善患者分诊、适当资源调配及确定性干预时间。尽管活动性出血在创伤救治快节奏中十分重要，该任务仍极具挑战，原因在于出血灶的对比度、强度、位置、大小、形状及多发性的多变。现有工作 [4] 提出一种启发式基于规则的分割技术，其需多阶段且无法端到端高效优化。为此，我们提出多尺度注意力网络（MSAN）——首个且可靠的端到端网络，用于从增强创伤 CT 扫描中自动分割活动性出血。MSAN 由以下组件构成：1）一个编码器，充分整合来自整体二维切片的全局上下文信息；2）在训练阶段与推理阶段均应用的多尺度策略，以应对目标尺寸变化带来的挑战；3）一个注意力模块，进一步精炼深层特征，从而获得更好的分割质量；4）一个多视图机制，以充分利用三维信息。我们的 MSAN 在 DSC 方面相较先前方法取得了超过 7% 的显著提升。
引用
@article{arxiv.1906.09540,
title = {Multi-Scale Attentional Network for Multi-Focal Segmentation of Active Bleed after Pelvic Fractures},
author = {Yuyin Zhou and David Dreizin and Yingwei Li and Zhishuai Zhang and Yan Wang and Alan Yuille},
journal= {arXiv preprint arXiv:1906.09540},
year = {2019}
}
备注
To appear in MICCAI-MLMI 2019