不确定性驱动瓶颈注意力 U-net 用于危险器官分割
图像与视频处理
2024-02-27 v2 计算机视觉与模式识别
摘要
计算机断层扫描（CT）图像中的危险器官（OAR）分割对自动分割方法而言是困难任务，且对下游放射治疗规划至关重要。U-net 已成为医学图像分割的事实标准，并常作为医学图像分割任务的通用基线。本文中，我们提出一种多解码器 U-net 架构，并利用解码器间分割不一致作为对网络瓶颈的注意力以精炼分割。尽管特征相关性在多数情况下被视为注意力，本例中则是将网络的不确定性用作注意力。为精确分割，我们还提出一种 CT 强度集成正则损失。所提正则助模型理解低对比度组织的强度分布。我们在两个公开 OAR 挑战数据集上测试模型，并对各数据集所提注意力模块与正则损失进行消融实验。实验结果显示在两个数据集上均有明确的精度提升。
引用
@article{arxiv.2303.10796,
title = {Uncertainty Driven Bottleneck Attention U-net for Organ at Risk Segmentation},
author = {Abdullah Nazib and Riad Hassan and Zahidul Islam and Clinton Fookes},
journal= {arXiv preprint arXiv:2303.10796},
year = {2024}
}
备注
Accepted