RA V-Net：用于肝脏自动分割的深度学习网络
图像与视频处理
2022-06-29 v2 计算机视觉与模式识别
机器学习
摘要
肝脏的准确分割是疾病诊断的先决条件。自动分割是肝脏疾病计算机辅助检测与诊断的重要应用。近年来，医学图像的自动处理取得了突破。然而，腹部扫描 CT 图像的低对比度与肝脏形态的复杂性使得准确的自动分割具有挑战性。本文中，我们提出 RA V-Net，一种基于 U-Net 改进的医学图像自动分割模型。它有以下三个主要创新。提出了 CofRes 模块(复合原始特征残差模块)。通过更复杂的卷积层与跳跃连接使其获得更高层次的图像特征提取能力，并防止梯度消失或爆炸。提出了 AR 模块(注意力恢复模块)以降低模型的计算量。此外，通过调节通道与 LSTM 卷积感知编码与解码模块间数据像素的空间特征。最终，图像特征被有效保留。引入了 CA 模块(通道注意力模块)，用于提取具有依赖性的相关通道并通过矩阵点积加强，同时削弱无依赖性的无关通道。实现了通道注意力的目的。LSTM 卷积与 CA 模块提供的注意力机制是神经网络性能的强力保障。U-Net 网络的准确率：0.9862，精确率：0.9118，DSC：0.8547，JSC：0.82。RA V-Net 的评估指标，准确率：0.9968，精确率：0.9597，DSC：0.9654，JSC：0.9414。最具代表性的分割效果指标为 DSC，较 U-Net 提升 0.1107，JSC 提升 0.1214。
引用
@article{arxiv.2112.08232,
title = {RA V-Net: Deep learning network for automated liver segmentation},
author = {Zhiqi Lee and Sumin Qi and Chongchong Fan and Ziwei Xie},
journal= {arXiv preprint arXiv:2112.08232},
year = {2022}
}