graph-based pyramid global context reasoning for COVID-19 lung infections segmentation

论文来源
https://arxiv.org/abs/2103.04235
论文题为基于图的金字塔并带有显著性感知的全局上下文推理。研究领域为图像语义分割

abstract

自COVID-19爆发以来，对肺部CT图像感染分割一时成为研究的热点。感染区域分割的challenge在于：感染区域分布于多个肺叶上且感染块大小不一。本文提出了一个名为Graph-based Pyramid Global Context Reasoning(Graph-PGCR)模块来对各分散(disjoint)感染块的long-range dependencies以及大小不一的尺寸联系进行建模。这些工作主要包括：1.提出一种显著性感知投影机制(saliency-aware projection mechanism，SAP)来挑选与感染块关联性最大的像素集合，利用这些像素点作为图的顶点进行建图；2.在建立好的图上，利用GCN从多个肺叶区域来挖掘long-term 上下文信息；3.通过多采样率的方式建立多尺度的图来解决各感染块size不一的问题。综合以上，来捕捉CT图像上感染块之间long-range multi-scale contextual patterns，从而达到好的分割效果。

introduction

SAP作用：发现哪些是informative parts，并选出discriminative pixels用于后续的全连接图的建立。在SAP中使用不同的采样率得到多个图（类似金字塔结构）。较低的采样率（意味着采样步长$\sigma$越大）得到的图会更粗糙一些，感受野的尺寸越大，携带的信息更加global；较高的采样率（意味着采样步长$\sigma$越小），感受野的scale小，得到的采样点数越多，获得的信息更加fine-grained.总的来说，本文的贡献点分为以下几部分：
（1）提出Graph-PGCR来建模多个不连贯的感染块之间的long-range dependencies以及大小不一致问题。
（2）SAP机制用于选择关联性最大的pixels用作图节点，利用GCN来传播global contextual information
（3）利用不同的采样步长$\sigma$来获得多尺寸的图，以捕获大小不一的感染块之间的contextual patterns
（4) 在公开的/私有的COVID-19数据集上的大量实验，证明本文提出方法的有效性。

methods

模型整体架构如图所示

对于UNet-Encoder初步编码的feature map X，本文接连使用了channel attention module以及spatial attention module得到增强的特征图$\tilde{X}$