MFA-Net: Multi-Scale feature fusion attention network for liver tumor segmentation

要約

医療用 CT 画像で関心のある臓器をセグメンテーションすることは、病気の診断に役立ちます。
完全畳み込みニューラル ネットワーク (F-CNN) に基づく最近の手法は、多くのセグメンテーション タスクで成功を示していますが、異なるスケールの画像からの特徴を融合することは依然として課題です。 (1) 空間認識の欠如により、F-CNN は
空間上の異なる位置で同じ重みが適用されます。
(2) F-CNN は、局所的な受容野を通じてのみ周囲の情報を取得できます。
上記の課題に対処するために、MFA-Net (Multi-Scale Feature Fusion Attendance Network) と呼ばれる、アテンション メカニズムに基づく新しいセグメンテーション フレームワークを提案します。
提案されたフレームワークは、複数のスケール間でより意味のある特徴マップを学習し、より正確な自動セグメンテーションを実現できます。
2 つの 2D 肝臓 CT データセットに対して、提案した MFA-Net と SOTA 手法を比較します。
実験結果は、MFA-Net が異なるスケールの画像に対してより正確なセグメンテーションを生成することを示しています。

要約(オリジナル)

Segmentation of organs of interest in medical CT images is beneficial for diagnosis of diseases. Though recent methods based on Fully Convolutional Neural Networks (F-CNNs) have shown success in many segmentation tasks, fusing features from images with different scales is still a challenge: (1) Due to the lack of spatial awareness, F-CNNs share the same weights at different spatial locations. (2) F-CNNs can only obtain surrounding information through local receptive fields. To address the above challenge, we propose a new segmentation framework based on attention mechanisms, named MFA-Net (Multi-Scale Feature Fusion Attention Network). The proposed framework can learn more meaningful feature maps among multiple scales and result in more accurate automatic segmentation. We compare our proposed MFA-Net with SOTA methods on two 2D liver CT datasets. The experimental results show that our MFA-Net produces more precise segmentation on images with different scales.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google