PAANet：用于自动医学图像分割的渐进交替注意力网络
图像与视频处理
2021-11-23 v1 计算机视觉与模式识别
摘要
医学图像分割可为临床分析提供详细信息，在病灶具体位置十分重要的场景中颇有用处。知晓疾病位置可在治疗与决策中发挥关键作用。基于卷积神经网络（CNN）的编码器-解码器技术提升了自动医学图像分割系统的性能。若干此类基于 CNN 的方法利用空间与通道注意力等技术以增强性能。近年来引起关注的另一种技术是残差密集块（RDBs）。密集连接块中连续的卷积层能够提取具有不同感受野的多样特征，从而提升性能。然而，连续堆叠的卷积算子未必生成有助于识别目标结构的特征。本文提出一种渐进交替注意力网络（PAANet）。我们设计渐进交替注意力密集（PAAD）块，其在密集块中每一卷积层后利用所有尺度特征构建引导注意力图（GAM）。GAM 使密集块中后续层聚焦于与目标区域相关的空间位置。每个交替的 PAAD 块反转 GAM 以生成反向注意力图，引导后续层提取边界与边缘相关信息，精炼分割过程。我们在三个不同生物医学图像分割数据集上的实验表明，与其他最先进（SOTA）方法相比，我们的 PAANet 取得了优异性能。
引用
@article{arxiv.2111.10618,
title = {PAANet: Progressive Alternating Attention for Automatic Medical Image Segmentation},
author = {Abhishek Srivastava and Sukalpa Chanda and Debesh Jha and Michael A. Riegler and Pål Halvorsen and Dag Johansen and Umapada Pal},
journal= {arXiv preprint arXiv:2111.10618},
year = {2021}
}