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。