SAUNet：用于可解释医学图像分割的形状注意力 U-Net
图像与视频处理
2020-03-17 v3 计算机视觉与模式识别
摘要
医学图像分割是一项困难但重要的任务，适用于许多临床操作，例如心脏双心室体积估计。近来，利用深度学习和全卷积神经网络（CNNs）进行图像分割已成为趋势，并在许多公开基准数据集上取得了最先进（SOTA）结果。尽管深度学习在医学图像分割中取得了进展，标准 CNNs 仍未被临床环境完全采用，因为它们缺乏鲁棒性和可解释性。形状通常比图像单纯的纹理（即常规 CNNs 学习的特征）更具语义意义，这导致了鲁棒性的不足。同样，以往关于模型可解释性的工作集中于事后基于梯度的显著性方法。然而，基于梯度的显著性方法通常需要事后的额外计算，且已被证明在可解释性方面不可靠。因此，我们提出一种称为形状注意力 U-Net（SAUNet）的新架构，专注于模型可解释性与鲁棒性。所提架构试图通过一条与常规纹理流并行、捕获丰富形状相关信息的辅助形状流来应对这些局限。此外，我们提出可使用双注意力解码器模块学习多分辨率显著性图，从而实现多层次可解释性，并缓解对事后额外计算的需求。我们的方法在 SUN09 和 AC17 两个大型公开心脏 MRI 图像分割数据集上也取得了最先进结果。
引用
@article{arxiv.2001.07645,
title = {SAUNet: Shape Attentive U-Net for Interpretable Medical Image Segmentation},
author = {Jesse Sun and Fatemeh Darbehani and Mark Zaidi and Bo Wang},
journal= {arXiv preprint arXiv:2001.07645},
year = {2020}
}