PAENet：一种用于三维到二维视网膜血管分割的渐进注意力增强网络
图像与视频处理
2021-12-17 v5 计算机视觉与模式识别
摘要
三维到二维视网膜血管分割是光学相干断层扫描血管成像（OCTA）图像中的一个具有挑战性的问题。准确的视网膜血管分割对于眼科疾病的诊断与预防十分重要。然而，充分利用 OCTA 体数据的三维信息是获得满意分割结果的关键因素。在本文中，我们提出一种基于注意力机制的渐进注意力增强网络（PAENet）以提取丰富的特征表征。具体而言，该框架由三维特征学习路径与二维分割路径两个主要部分构成。在三维特征学习路径中，我们设计了一种新颖的自适应池化模块（APM）并提出了一种新的四重注意力模块（QAM）。APM 沿体数据的投影方向捕获依赖关系并学习一系列池化系数用于特征融合，从而高效地降低特征维度。此外，QAM 通过捕获四组跨维度依赖关系对特征进行重加权，从而最大化利用 4D 特征张量。在二维分割路径中，为获取更细致的信息，我们提出特征融合模块（FFM）将三维信息注入二维路径。同时，我们采用极化自注意力（PSA）块分别建模空间与通道维度上的语义相互依赖关系。在实验上，我们在 OCTA-500 数据集上的大量实验表明，与以往方法相比，我们所提出的算法取得了 SOTA 性能。
引用
@article{arxiv.2108.11695,
title = {PAENet: A Progressive Attention-Enhanced Network for 3D to 2D Retinal Vessel Segmentation},
author = {Zhuojie Wu and Zijian Wang and Wenxuan Zou and Fan Ji and Hao Dang and Wanting Zhou and Muyi Sun},
journal= {arXiv preprint arXiv:2108.11695},
year = {2021}
}
备注
Accepted by BIBM 2021