用于实时医学图像分割的三边注意力网络
计算机视觉与模式识别
2021-06-18 v1
摘要
将医学图像准确分割为具有解剖学意义的区域，对于提取定量指标或生物标志物至关重要。常见的分割流程包括感兴趣区域检测阶段和分割阶段，二者相互独立，且通常使用独立的深度学习网络完成。分割阶段的性能高度依赖于所提取的空间特征集合与感受野。本文中，我们提出一种端到端网络，称为三边注意力网络（TaNet），用于医学图像的实时检测与分割。TaNet具有一个区域定位模块和三条分割路径：1）带有手工设计卷积核的手工路径，2）带有常规卷积核的细节路径，以及 3）用于扩大感受野的全局路径。前两条路径编码由手工设计和常规核提取的丰富手工与低级特征，而全局路径编码高级上下文信息。通过利用不同特征集合联合训练网络的定位与分割，TaNet在用于心脏分割的超声心动图数据集上评估时，在准确率和速度方面均取得了优越性能。代码与模型将在 TaNet Github 页面公开。
引用
@article{arxiv.2106.09201,
title = {Trilateral Attention Network for Real-time Medical Image Segmentation},
author = {Ghada Zamzmi and Vandana Sachdev and Sameer Antani},
journal= {arXiv preprint arXiv:2106.09201},
year = {2021}
}