EAA-Net: Rethinking the Autoencoder Architecture with Intra-class Features for Medical Image Segmentation

要約

自動画像セグメンテーション技術は、視覚的な分析に不可欠です。
オートエンコーダー アーキテクチャは、さまざまな画像セグメンテーション タスクで満足のいくパフォーマンスを発揮します。
ただし、畳み込みニューラル ネットワーク (CNN) に基づくオートエンコーダーは、セマンティック セグメンテーションの精度を向上させる際にボトルネックに遭遇するようです。
前景と背景の間のクラス間距離を増やすことは、セグメンテーション ネットワーク固有の特性です。
ただし、セグメンテーション ネットワークは、前景と背景の主な視覚的な違いに注意を払いすぎて、詳細なエッジ情報を無視するため、エッジ セグメンテーションの精度が低下します。
この論文では、マルチタスク学習に基づく軽量のエンドツーエンドのセグメンテーション フレームワークを提案し、エッジ アテンション オートエンコーダ ネットワーク (EAA-Net) と呼ばれ、エッジ セグメンテーション能力を向上させます。
私たちのアプローチは、セグメンテーションネットワークを利用してクラス間特徴を取得するだけでなく、再構成ネットワークを適用して前景からクラス内特徴を抽出します。
さらに、クラス内およびクラス間機能融合モジュール、I2 融合モジュールを設計します。
I2 フュージョン モジュールは、クラス内およびクラス間機能をマージし、ソフト アテンション メカニズムを使用して無効な背景情報を削除するために使用されます。
実験結果は、私たちの方法が医用画像セグメンテーションタスクでうまく機能することを示しています。
EAA-Net は実装が容易で、計算コストも小さいです。

要約(オリジナル)

Automatic image segmentation technology is critical to the visual analysis. The autoencoder architecture has satisfying performance in various image segmentation tasks. However, autoencoders based on convolutional neural networks (CNN) seem to encounter a bottleneck in improving the accuracy of semantic segmentation. Increasing the inter-class distance between foreground and background is an inherent characteristic of the segmentation network. However, segmentation networks pay too much attention to the main visual difference between foreground and background, and ignores the detailed edge information, which leads to a reduction in the accuracy of edge segmentation. In this paper, we propose a light-weight end-to-end segmentation framework based on multi-task learning, termed Edge Attention autoencoder Network (EAA-Net), to improve edge segmentation ability. Our approach not only utilizes the segmentation network to obtain inter-class features, but also applies the reconstruction network to extract intra-class features among the foregrounds. We further design a intra-class and inter-class features fusion module — I2 fusion module. The I2 fusion module is used to merge intra-class and inter-class features, and use a soft attention mechanism to remove invalid background information. Experimental results show that our method performs well in medical image segmentation tasks. EAA-Net is easy to implement and has small calculation cost.

arxiv情報

著者 Shiqiang Ma,Xuejian Li,Jijun Tang,Fei Guo
発行日 2022-08-19 07:42:55+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.CV パーマリンク