基于跨任务引导注意力的一次性多任务网络用于脑肿瘤分割

类别不平衡已成为医学图像分割的主要挑战之一。模型级联（MC）策略通过运行一组独立的深度模型进行由粗到细的分割，显著缓解了类别不平衡问题。尽管其性能出色，但该方法导致系统复杂度过高，且忽略了各模型之间的相关性。为应对这些缺陷，我们提出了一种轻量级深度模型，即一次性多任务网络（OM-Net），以优于 MC 的方式解决类别不平衡问题，同时仅需一次前向计算。首先，OM-Net 将独立的分割任务整合到一个深度模型中，该模型由用于学习联合特征的共享参数以及用于学习判别性特征的任务特定参数组成。其次，为更有效地优化 OM-Net，我们利用任务间的相关性设计了在线训练数据迁移策略和基于课程学习的训练策略。第三，我们进一步提出在任务间共享预测结果，并设计了跨任务引导注意力（CGA）模块，该模块可基于类别特定统计量自适应地重新校准通道级特征响应。最后，引入了一种简单而有效的后处理方法以细化分割结果。我们进行了大量实验以证明所提技术的有效性。令人印象最为深刻的是，我们在 BraTS 2015 测试集和 BraTS 2017 在线验证集上取得了最先进的性能。利用这些提出的方法，我们还在 BraTS 2018 挑战赛的 64 支参赛队伍中获得了并列第三名。代码已公开于 https://github.com/chenhong-zhou/OM-Net。