Prior Attention Network: 用于医学图像中多病灶分割的预先注意网络
Prior Attention Network: 用于医学图像中多病灶分割的预先注意网络 Abstract 医学图像中邻近组织的多种类型病变的准确分割在临床实践中具有重要意义。基于从粗到精策略的卷积神经网络(CNN)已广泛应用于该领域。然而,由于组织的大小、对比度和高类间相似性的不确定性,多病灶分割仍然具有挑战性。此外,普遍采用的级联策略对硬件要求较高,限制了临床部署的潜力。为了解决上述问题,我们提出了一种新颖的先验注意网络(PANet),它遵循从粗到细的策略来在医学图像中执行多病灶分割。所提出的网络通过在网络中插入与病变相关的空间注意机制,在单个网络中实现了两个步骤的分割。此外,我们还提出了中间监督策略,用于生成与病变相关的注意力来获取感兴趣区域(ROI),这加速了收敛并明显提高了分割性能。我们在两个应用中研究了所提出的分割框架:肺部 CT 切片中多发性肺部感染的 2D 分割和脑 MRI 中多发性病变的 3D 分割。实验结果表明,与级联网络相比,在 2D 和 3D 分割任务中,我们提出的网络以更少的计算成本实现了更好的性能。所提出的网络可以被视为 2D 和 3D 任务中多病灶分割的通用解决方案。源代码可在 https://github.com/hsiangyuzhao/PANet 获取 问题导向: ①组织的大小、对比度和高类间相似性的不确定性 ②多类别病灶分割 ③普遍采用的级联策略对硬件要求较高 Introduction 医学图像分割对于疾病的准确筛查和患者的预后具有重要意义。基于病灶分割的病灶评估提供了疾病进展的信息,帮助医生提高临床诊断和治疗的质量。然而,手动病变分割相当主观且费力,这限制了其潜在的临床应用。近年来,随着人工智能的快速发展,基于深度学习的算法得到了广泛的应用,并在医学图像分割方面取得了最先进的性能[1]。卷积神经网络(CNN)由于其高分割质量而在医学图像中的病变分割中很受欢迎。此类算法通常具有深度编码器,可从输入图像中自动提取特征,并通过以下操作生成密集预测。例如,Long等人[2]提出了一种用于图像语义分割的全卷积网络,该网络颇具影响力,并启发了后来的医学分割中的端到端框架。 Ronneberger等人[3]提出了一种用于医学图像分割的U形网络(U-Net),该网络在医学分割的许多领域都显示出了可喜的结果,并已成为许多医学分割任务的虚拟基准。 这一段都可以当成经典医学图像分割的背景引入 然而,尽管医学分割取得了这些突破,但目前的医学分割方法主要集中在病灶的二元分割上,即区分病灶(前景)和其他一切(背景)。尽管二元分割确实有助于隔离某些感兴趣区域并允许对医学图像进行精确分析,但在某些需要对病变进行多类分割的场景中,二元分割还不够。与二元分割相比,由于组织的类间相似性,这种情况要困难得多,因为不同类型的病变在纹理、大小和形状上可能相似。具有从粗到细策略的级联网络已广泛应用于此类场景,例如肝脏和病变的分割、脑肿瘤分割[4]、[5][6]、[7]。 此类网络通常由两个独立的网络组成,其中第一个网络执行粗分割,第二个网络基于从第一个网络分割的 ROI 细化分割。然而,尽管级联网络已广泛应用于医学图像的多病灶分割,但级联策略也有其缺点。由于级联网络由两个独立的网络组成,参数量和显存占用通常是单个网络的两倍,这对硬件要求较高,限制了其在临床使用的潜力。更重要的是,由于级联网络中的两个网络通常是独立的,因此级联网络的训练过程有时比单个网络更困难,这可能导致欠拟合。 级联网络:参数量大、容易欠拟合。 在本文中,我们提出了一种名为先验注意网络(PANet)的新型网络结构,用于在医学图像中执行多病灶分割。所提出的网络由一个用于特征提取的编码器和两个分别生成病变区域注意力和最终预测的解码器组成。该网络与注意力机制结合在一起。为了减少参数大小和硬件占用,我们使用网络编码器的深层、语义丰富的特征来生成病变区域的空间注意力。 然后,编码器生成的特征表示通过空间注意力进行细化,并将其发送到解码器以进行最终的多类预测。为了提高分割性能并加速收敛,我们还在网络结构中引入了中间监督和深度监督。通过这些改进,与传统的级联网络相比,所提出的网络以显着降低的参数大小和计算成本实现了有竞争力的结果。 利用网络编码器的深层、特征信息来生成空间注意力(WTF ???) 中间监督、深度监督 (不错不错, 好多一区和顶会的文章都用深度监督) 这项工作的贡献体现在三个方面。首先,我们提出了一种新颖的网络架构,通过将传统级联网络中的两个分割步骤结合在单个网络中,遵循 2D 和 3D 医学图像中多病灶分割的从粗到细的策略。与级联网络相比,所提出的架构以更少的额外计算成本实现了有竞争力的分割性能,更容易训练和部署到生产环境。其次,我们提出了一种监督空间注意力机制,将病变区域的注意力与网络提取的特征相结合,将多病变分割分解为两个更容易的阶段,并且与当前基于注意力的方法相比具有更好的可解释性。第三,所提出的网络已在两个实际应用中得到验证,包括肺部 CT 切片中的 COVID-19 病变的 2D 分割和多模态 MRI 中的脑肿瘤的 3D 分割。所提出的网络在 2D 和 3D 任务中都优于前沿方法,并且在参数和计算成本方面比当前网络更高效。 一个网络、监督空间注意力机制、参数和计算成本方面比当前网络更高效。 Related Work 1)图像分割的网络结构:用于图像分割的典型卷积神经网络通常由一个卷积特征提取器组成,其拓扑类似于常见的分类网络,自动从输入图像中提取特征,并进行基于卷积的操作以生成最终的密集预测。在自然图像分割领域,FCN [2]、DeepLab [8]、PSPNet [9] 和 SegNet [10] 因其性能和效率而颇受欢迎。对于医学分割,U-Net [3] 在许多任务中相当流行,并且已被修改为许多改进版本,例如 Attention U-Net [11]、U-Net++ [12]、V-Net [13] 和H-DenseUNet [14]在某些领域获得更好的性能。 ...