【论文笔记】SCOAT-Net: A novel network for segmenting COVID-19 lung opacification from CT images

声明

不定期更新自己精度论文，通俗易懂，初级小白也可以理解

涉及范围：深度学习方向，包括 CV、NLP、Data Fusion、Digital Twin

论文标题：SCOAT-Net: A novel network for segmenting COVID-19 lung opacification from CT images

论文链接：https://www.sciencedirect.com/science/article/pii/S003132032100296X

论文代码：https://github.com/Phanzsx/SCOAT-Net

数据集：https://www.kaggle.com/c/covid-segmentation/data

发表时间：2021年6月

创新点

1、提出了一种基于 UNet++ 新的注意力网络（SCOAT-Net）

2、设计了一种空间和通道注意模块

Abstract

从计算机断层扫描 (CT) 图像中自动分割肺部混浊显示出在快速准确地量化 2019 年冠状病毒病 (COVID-19) 感染和判断疾病发展和治疗反应方面的巨大潜力。然而，仍然存在一些挑战，包括不透明区域的复杂性和可变性特征、感染组织和健康组织之间的微小差异以及 CT 图像的噪声。由于医疗资源有限，短时间内获取大量数据是不切实际的，进一步阻碍了深度学习模型的训练。为了应对这些挑战，我们提出了一种新的空间和通道方式的从粗到细的注意力网络 (SCOAT-Net)，它受生物视觉机制的启发，用于从 CT 图像中分割 COVID-19 肺部混浊。

以 UNet++ 为基本结构，我们的 SCOAT-Net 引入了专门设计的空间和通道注意模块，用于协同促进网络的注意学习，并在像素处提取受感染不透明区域的有效特征和渠道级别。

实验表明，与几种最先进的图像分割网络相比，我们提出的 SCOAT-Net 取得了更好的结果，并且具有可接受的泛化能力。

Method

作者基于 UNet++ 网络改进而来，在其中加入了空间和通道注意模块，详细流程如下：

Spatial-wise attention   ---------   空间注意模块

Channel-wise attention   ---------   通道注意模块 

首先，使用不同分辨率的上下文特征图，作为 Spatial-wise-attention 的不同维度信息，它的实际作用是结合过滤器提取的所有多维特征图来计算图像的注意力图并自适应调整网络的关注区域；

然后，Spatial-wise attention 模块的输出和同层的特征图接触，进入到 Channel-wise attention 模块中，此模块主要计算各通道之间的相互依赖关系，并自适应重新校准通道的信息响应。

---------------------------------------------------------------------------------------------------------------------------------

Spational-wise and Channel-wise attention

 结构图如上所示，其中定义的模块含义如下：

Fu   ---------   上采样操作

Hr   ---------   1*1 卷积 + 批量归一化 + ReLU

Hs   ---------   1*1 卷积 + 批量归一化 + Sigmoid

➕   ---------   逐元素相加

✖   ---------   点乘

Fp、Fl   ---------   全连接层

Hr*2   ---------   两层 Hr 卷积

-------------------------------------------------------------------------------------------------------------------------------- 

Spatial-wise attention

首先，X(i+1,j) 特征，进行 Fu 上采样后，再经过 Hr 模块与 X(i,j) 经过 Hr 模块后的特征进行逐元素相加；

然后，生成的特征进入 Hs 模块，进行特征图的生成。

---------------------------------------------------------------------------------------------------------------------------------

Channel-wise attention

首先，Spatial-wise attention 输出的特征和同一层的特征，进行拼接，如上图白色区域；

然后，拼接后的特征，分别进入；

（1）两层全连接 Fp、Fl 自适应的学习要关注的特征通道的依存关系，产生注意力向量 Xv；

（2）Hr 模块

最后，Xv 向量进行 Hr*2 ，产生的特征与（2）过程进行逐元素相加，输出。

---------------------------------------------------------------------------------------------------------------------------------

Experiments

实验目标：不同模型切割效果

 --------------------------------------------------------------------------------------------------------------------------------实验目标：在 KAGGLE 数据集上验证肺部感染分割的不同网络。

实验结果：平均效果最优