【图像分割】开源 | 提出了一个综合的基于注意力的CNN --CA-Net框架，更准确和可解释性更高的应用于医学图像分割！

获取完整原文和代码，公众号回复：09080931554

论文地址： http://arxiv.org/pdf/2009.10549v2.pdf

代码： 公众号回复：09080931554

来源： 电子科技大学

论文名称：CA-Net Comprehensive Attention Convolutional Neural Networks for Explainable Medical Image Segmentation

原文作者：Ran Gu

内容提要

准确的医学图像分割对于疾病的诊断和治疗规划至关重要。卷积神经网络(CNNs)在自动医学图像分割方面已经取得了最先进的性能。然而，它们仍然受到复杂条件的挑战，在这些条件下，分割目标的位置、形状和规模有很大的变化，现有的CNN的可解释性较差，限制了它们在临床决策中的应用。在这项工作中，我们在一个CNN体系结构中广泛使用了多种注意力，并提出了一个综合的基于注意力的CNN (CA-Net)，用于更准确和可解释的医学图像分割，同时知道最重要的空间位置、通道和尺度。特别地，我们首先提出了一个联合空间注意模块，使网络更加关注前景区域。然后，提出了一种新的通道注意模块，用于自适应地重新校准通道特征响应，并突出最相关的特征通道。此外，我们提出了一个尺度注意模块，隐式强调在多个尺度中最显著的特征映射，以便CNN适应目标的大小。在ISIC 2018的皮肤病变分割和胎儿MRI的多类分割上的广泛实验表明，与U-Net相比，CA-Net显著提高了皮肤病变、胎盘和胎儿脑的平均分割准确率，分别从87.77%提高到92.08%、84.79%提高到87.08%和93.20%提高到95.88%。与最先进的DeepLabv3+相比，它将模型尺寸缩小了约15倍，精度接近甚至更高。此外，通过可视化注意权重图，它比现有网络具有更高的可解释性。

主要框架及实验结果

声明：文章来自于网络，仅用于学习分享，版权归原作者所有，侵权请加上文微信联系删除。