KiTS19——肾肿瘤分割挑战赛（九）

上一篇分享了VNet改进模型DualAttentionVNet（DAVNet）网络，今天尝试将DualAttention和AttentionGated相结合成DualAttentionGatedVNet（DAGVNet）。

1、VNet模型

大家看过我之前的文章，肯定对VNet模型已经非常熟悉了，该结构出自2016年发表的一篇论文《V-Net:Fully Convolutional Neural Networks for Volumetric Medical Image Segmentation》，关于该网络具体的细节可以之前的文章，我这里就不多说了。

2、Attention Gate模块

Attention Gate模块来自2018年发表的论文《Attention U-Net:Learning Where to Look for the Pancreas》，该文章提出一种注意力门模型（AG），在分割模型中加入该模块进行训练，可以抑制学习与任务无关的特征，同时加强学习与任务有关的特征，关于该网络具体的细节可以阅读原文。

3、PositionAttention和ChannelAttention模块

PositionAttention和ChannelAttention模块的设计来自2019年发表的论文《Dual Attention Network for Scene Segmentation》，其中PositionAttention模块引入了自注意机制来捕获特征图中任意两点位置的空间依赖性；ChannelAttention模块也引入自注意机制来捕获通任意两通道图的通道依赖性，并对所有通道图加权求和来更新每个通道图。关于该网络具体的细节可以阅读原文。

4、DualAttentionGatedVNet（DAGVNet）网络

DAGVNet网络是在AttentionGatedVNet基础上，在跳跃连接处在增加DualAttention模块，如图所示，黑色的圈就是DualAttention模块所添加的。

5、DualAttentionGatedVNet肾器官分割训练效果

我是在1080ti显卡上跑的，所以batchsize设置成2，如果大家出现OOM错误，请修改该参数，如果显存比11G还大的话，也可以设置大一些。下面是训练loss结果及精度结果。

6、在测试数据上分割结果

前面也说过，训练是用0-199例数据来训练，测试是在200-209上来测试。在测试的时候，我们直接输入原始图像大小，例如512x512x32，将训练好的模型导入后，将512x512xn（可能是几百）的输入按z方向取32，不断输入到模型中得到最后肾器官分割结果。分割结果如下面视频所示，红色轮廓是金标准结果，蓝色轮廓是预测结果。平均dice值为0.9382，相比较VNet结果，结果没有明显提升。