用于医学图像分割的多尺度自引导注意力
计算机视觉与模式识别
2020-02-18 v3
摘要
尽管卷积神经网络（CNNs）正推动医学图像分割的进展，标准模型仍有一些缺陷。首先，多尺度方法（即编码器-解码器架构）的使用导致信息的冗余利用，相似的低级特征在多个尺度上被多次提取。其次，长距离特征依赖未被高效建模，导致与每个语义类相关的非最优判别性特征表示。在本文中，我们试图通过所提架构克服这些局限，基于引导自注意力机制捕获更丰富的上下文依赖。该方法能够将以自适应方式把局部特征与其对应的全局依赖相整合，并突出相互依赖的通道图。此外，不同模块间的附加损失引导注意力机制忽略无关信息，并通过强调相关特征关联聚焦于图像中更具判别性的区域。我们在三个不同数据集的语义分割背景下评估所提模型：腹部器官、心血管结构与脑肿瘤。一系列消融实验支持了这些注意力模块在所提架构中的重要性。此外，与其他最先进的分割网络相比，我们的模型产生了更好的分割性能，在降低标准差的同时提高了预测精度。这证明了我们的方法在生成精确可靠的医学图像自动分割方面的效率。我们的代码已公开于 https://github.com/sinAshish/Multi-Scale-Attention
引用
@article{arxiv.1906.02849,
title = {Multi-scale self-guided attention for medical image segmentation},
author = {Ashish Sinha and Jose Dolz},
journal= {arXiv preprint arXiv:1906.02849},
year = {2020}
}