Channel prior convolutional attention for medical image segmentation

要約

医療画像には、低コントラストや臓器形状の顕著な変化などの特徴が見られることがよくあります。
医用画像処理におけるセグメンテーションのパフォーマンスの向上は、既存のアテンション メカニズムの適応能力が一般に不十分であるため、制限されています。
この論文では、効率的なチャネル事前畳み込みアテンション (CPCA) 法を提案し、チャネル次元と空間次元の両方でアテンションの重みの動的分散をサポートします。
マルチスケールの深さ方向の畳み込みモジュールを使用することで、事前のチャネルを保存しながら空間関係が効果的に抽出されます。
CPCA には、情報チャネルと重要な領域に焦点を当てる能力があります。
医療画像セグメンテーションのための CPCANet と呼ばれるセグメンテーション ネットワークは、CPCA に基づいて提案されています。
CPCANet は、公開されている 2 つのデータセットで検証されています。
CPCANet では、最先端のアルゴリズムとの比較により必要な計算リソースを削減しながら、セグメンテーション パフォーマンスの向上が実現されています。
私たちのコードは \url{https://github.com/Cuthbert-Huang/CPCANet} で公開されています。

要約(オリジナル)

Characteristics such as low contrast and significant organ shape variations are often exhibited in medical images. The improvement of segmentation performance in medical imaging is limited by the generally insufficient adaptive capabilities of existing attention mechanisms. An efficient Channel Prior Convolutional Attention (CPCA) method is proposed in this paper, supporting the dynamic distribution of attention weights in both channel and spatial dimensions. Spatial relationships are effectively extracted while preserving the channel prior by employing a multi-scale depth-wise convolutional module. The ability to focus on informative channels and important regions is possessed by CPCA. A segmentation network called CPCANet for medical image segmentation is proposed based on CPCA. CPCANet is validated on two publicly available datasets. Improved segmentation performance is achieved by CPCANet while requiring fewer computational resources through comparisons with state-of-the-art algorithms. Our code is publicly available at \url{https://github.com/Cuthbert-Huang/CPCANet}.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google