利用分类学习中来自 Swin Transformer 的头部级梯度注入自注意力图进行弱监督颅内出血分割
计算机视觉与模式识别
2023-08-30 v2
摘要
颅内出血（ICH）是一种危及生命的医疗急症，需要及时准确的诊断以实现有效治疗并提高患者存活率。尽管深度学习技术已成为医学图像分析与处理的主流方法，但最常用的监督学习通常需要大量高质量的标注数据集，而这类数据获取成本高昂，尤其是对于像素/体素级图像分割。为应对这一挑战并辅助 ICH 治疗决策，我们引入一种新颖的弱监督 ICH 分割方法，利用在带有类别标签的 ICH 分类任务上训练的 Swin Transformer。我们的方法借助头部级梯度注入自注意力图的层次化组合来生成准确的图像分割。此外，我们对不同学习策略进行了探索性研究，表明二分类 ICH 相比完整 ICH 亚型分类对自注意力图具有更积极的影响。我们的技术取得了 0.44 的平均 Dice 分数，在 ICH 分割性能上与全监督的流行 U-Net 和 Swin-UNETR 模型相当，并优于使用 GradCAM 的类似弱监督方法，展示了所提框架在具有挑战性的医学图像分割任务中的优异潜力。我们的代码见 https://github.com/HealthX-Lab/HGI-SAM。
引用
@article{arxiv.2304.04902,
title = {Weakly Supervised Intracranial Hemorrhage Segmentation using Head-Wise Gradient-Infused Self-Attention Maps from a Swin Transformer in Categorical Learning},
author = {Amirhossein Rasoulian and Soorena Salari and Yiming Xiao},
journal= {arXiv preprint arXiv:2304.04902},
year = {2023}
}
备注
Accepted for publication at the Journal of Machine Learning for Biomedical Imaging (MELBA) https://melba-journal.org/2023:012