基于注意力机制的脑肿瘤两阶段 MR 图像分割方法
图像与视频处理
2023-10-11 v2 计算机视觉与模式识别
机器学习
摘要
多模态磁共振成像（MRI）能够揭示人体组织的不同模式，对临床诊断至关重要。然而，受成本、噪声与人工标注的限制，获取多样且可靠的多模态 MR 图像仍具挑战。对于同一病灶，不同 MRI 表现在背景信息、粗定位与精细结构上差异显著。为获得更好的生成与分割性能，提出一种基于循环一致生成对抗网络（CycleGAN）的协调-空间注意力生成对抗网络（CASP-GAN）。通过引入坐标注意力（CA）模块与空间注意力（SA）模块优化生成器性能。两模块可充分利用所捕获的位置信息，准确定位感兴趣区域，并增强生成器模型网络结构。提取原始医学图像的结构信息与细节信息的能力有助于生成更高质量的期望图像。原 CycleGAN 存在训练时间长、参数量过大且难以收敛的问题。针对该问题，我们引入坐标注意力（CA）模块替换 Res Block 以减少参数量，并与上述空间信息提取网络配合以加强信息提取能力。在 CASP-GAN 基础上，进一步提出注意力生成跨模态分割（AGCMS）方法。该方法将 CASP-GAN 生成的模态与真实模态输入分割网络进行脑肿瘤分割。实验结果表明，在大多数任务的 PSNR、SSMI 与 RMSE 上，CASP-GAN 优于 CycleGAN 及一些最先进的方法。
引用
@article{arxiv.2304.08072,
title = {Two-stage MR Image Segmentation Method for Brain Tumors based on Attention Mechanism},
author = {Li Zhu and Jiawei Jiang and Lin Lu and Jin Li},
journal= {arXiv preprint arXiv:2304.08072},
year = {2023}
}
备注
Some contributing authors are not signed