阅读论文计划 7/10000 脑出血分割

小炭火

已于 2024-01-23 06:37:11 修改

阅读量367

点赞数 10

文章标签：计算机视觉

于 2024-01-23 06:33:26 首次发布

本文链接：https://blog.csdn.net/qq_41037660/article/details/135762109

版权

Viola-Unet是一个针对颅内出血（ICH）分割任务的注意力机制U-Net架构，采用Voxels Intersecting along Orthogonal Levels Attention模块。该模型通过自适应平均池化和密集扩张卷积融合网络，结合半监督学习的自训练策略，提升在小样本医学影像分割中的性能。Viola模块通过最大池化、全连接和softmax运算计算体素注意力，增强对ICH的分割精度。

摘要由CSDN通过智能技术生成

VOXELS INTERSECTING ALONG ORTHOGONAL LEVELS ATTENTION U-NET FOR INTRACEREBRAL HAEMORRHAGE SEGMENTATION IN HEAD CT

在这里插入图片描述

Viola-Unet架构是一种新颖而灵活的基于注意力机制的U-Net架构，专门用于颅内出血（ICH）分割任务。它采用了Voxels Intersecting along Orthogonal Levels Attention（Viola）模块，通过在特征空间中沿正交方向交汇的体素来提供注意力，从而实现了对三维特征的精细关注。Viola-Unet架构的关键创新点在于引入了自适应平均池化模块和密集扩张卷积融合网络，以融合跨通道和非局部上下文信息，并且具有高度的灵活性和可配置性。该架构在INSTANCE2022数据挑战中取得了优异的性能，超越了其他模型，尤其在处理医学影像领域的小样本训练方面表现出色。

还提出了一种自训练策略，利用伪标签对未标记的训练样本进行半监督学习，从而进一步提高了模型的性能。通过利用未标记的训练样本和已训练模型的预测结果来进行模型的迭代训练。具体实现方法如下：首先，使用已训练的模型对未标记的训练样本进行预测，得到每个样本的预测结果。然后，将预测结果与一个阈值进行比较，将置信度高于阈值的样本视为伪标签，并将其加入到训练集中进行下一轮的训练。在每一轮训练中，使用带有伪标签的训练集进行模型的迭代训练，直到模型收敛或达到预设的迭代次数为止。

在Viola模块中ÿ