Boundary-aware context neural network for medical image segmentation（医学分割-多任务之间注意力层内注意力）

原创

已于 2023-04-18 15:19:29 修改 · 1.2k 阅读

15 ·

CC 4.0 BY-SA版权

文章标签：

#计算机视觉 #深度学习 #人工智能

于 2023-03-02 12:55:49 首次发布

BA-Net是一种针对医学图像分割的深度学习模型，通过边界感知上下文神经网络解决病变区域的大小和形状差异以及低对比度带来的分割挑战。文章介绍了PEE模块用于提取边界信息，mini-MTL进行多任务学习增强特征，IA模块利用互动注意力整合任务信息，CFF模块则融合不同层级的特征。最终，解码器结合这些特征进行分割预测，整体提升了分割性能。

前言

Boundary-aware context neural network for medical image segmentation给我最深的印象就是他的注意力模型，就是他处理各层之间的信息交互和不同任务之间信息交互时候用的注意力模块处理的很简单，效果也很好。比较好的利用了上下文。
论文地址：https://arxiv.org/abs/2005.00966v1
代码：https://github.com/mathwrx/BA-Net
我就不按文章结构来了，也差不多。

一、解决什么问题？

问题：医学分割
医学分割的难题：
1.病变区域对于不同的个体具有不同的大小和形状。
2.病变与背景的低对比度也给分割带来了很大的挑战。
那这篇论文具体是解决什么问题？（如何学习更丰富的上下文仍然是分割算法提高识别性能。）
传统图像分割方法存在的问题：1）传统方法往往设计低级手工特征，进行启发式假设，这通常会限制复杂场景下的预测性能。此外，忽略了原始图像中丰富的可用信息。2）对伪影、图像质量和强度不均匀性的鲁棒性较低，这在很大程度上取决于有效的预处理。
现在用了DeepLearning后的医学分割:成功克服了传统手工制作的限制。现在方法的问题：不准确的对象边界和不满意的分割结果。原因：由于上下文信息有限，连续池化和卷积操作后的判别性特征图不足。
So总体而言，如何学习更丰富的上下文仍然是分割算法提高识别性能。