论文笔记A dual attention-guided 3D convolution network for automatic segmentation of prostate and tumor

双注意力引导三维卷积网络用于前列腺和肿瘤的自动分割

Biomedical Signal Processing and Control   Q2-5.076

        背景：在中老年男性中，前列腺癌（PCa）是一种常见的肿瘤性疾病，其死亡率仅次于肺癌。磁共振成像（MRI）图像中前列腺和肿瘤的自动准确分割可以帮助医生更有效地诊断恶性肿瘤。T2加权成像（T2 W）现在用于前列腺MRI图像分割的大多数研究中;而弥散加权成像（DWI）对PCa的诊断更有价值。前列腺和肿瘤区域之间的形态差异极小，肿瘤大小不确定，肿瘤和周围组织之间的边界模糊，并且将正常区域与肿瘤分开的类别不均匀。因此，在DWI图像上分割前列腺和肿瘤具有挑战性。

        方法：针对DWI图像中前列腺和肿瘤区域的分割，提出了一种双注意力引导的3D卷积神经网络（3D DAG-Net）。将视觉注意力内置到编码器的步骤，以获得各种感受野，并提供更详细的上下文信息。在解码器阶段，提出了一种多尺度注意技术来融合多尺度特征，以获得更精细的全局和局部细节。为了解决在分割任务中前列腺，肿瘤和背景区域之间的类差异，我们提出了一个混合损失函数来处理类不平衡。结果：我们测试了该算法的DWI图像PCa从附近的医院，证明了该方法的独特性和有效性。前列腺和肿瘤DWI分割的Dice相似系数（DSC）值分别为92.28%和88.73%。结论：我们提出了一种独特的双注意机制三维分割网络结构，用于定量评估DWI上的前列腺和肿瘤体积。由我们的技术产生的自动分割结果与专家手动分割结果高度相关且一致。

---

本文的贡献：

        (1)提供了一个独特的双注意力机制3D分割网络架构，用于定量评估DWI上的前列腺和肿瘤体积。

        (2)一个视觉注意力被内置到编码器中，以获得各种感受野，并提供更详细的上下文信息。

        (3)在解码器阶段提出了多尺度注意技术，以融合多尺度特征，获得更精细的全局和局部详细信息。

        (4)为了解决分割任务中前列腺，肿瘤和背景区域的类差异问题，构建了一个混合损失函数来处理类不平衡。

        (5)在从当地医院收集的PCa DWI图像上测试了该算法，以确保其创新性和有效性。

---

3D DAG-Net 

 VAM结构图

  SAM结构图