AAU-net: 用于超声图像中乳腺病变分割的自适应注意力U-Net

期刊分析

期刊名： TRANSACTIONS ON MEDICAL IMAGING
期刊信息： IF: 10.6; JCR: Q1; 中科院一区Top
投稿周期：
本篇：未知； Publish: 2023.5
网站统计：录用比例：很难； 审稿周期：约5.4月
其余信息： LetPub
该论文有代码，Tensorflow版本

摘要

已经提出了各种深度学习方法来从超声图像中分割乳腺病变。然而，相似的强度分布、可变的肿瘤形态和模糊的边界给乳腺病灶分割带来了挑战，特别是对于形状不规则的恶性肿瘤。考虑到超声图像的复杂性，我们开发了自适应注意力U-net（AAU-net）来自动稳定地从超声图像中分割乳腺病变。具体来说，我们引入了一种混合自适应注意模块（HAAM），它主要由通道自注意块和空间自注意块组成，以取代传统的卷积操作。与传统的卷积操作相比，混合自适应注意模块的设计可以帮助我们在不同感受野下捕获更多特征。与现有的注意力机制不同，HAAM模块可以引导网络自适应地选择通道和空间维度上更鲁棒的表示，以应对更复杂的乳腺病变分割。在三个公共乳腺超声数据集上使用几种最先进的深度学习分割方法进行的广泛实验表明，我们的方法在乳腺病变分割方面具有更好的性能。此外，鲁棒性分析和外部实验表明，我们提出的 AAU-net 在乳腺病变分割方面具有更好的泛化性能。而且HAAM模块可以灵活应用到现有的网络框架中。源代码可在 https://github.com/CGPxy/AAU-net 上获取

---

贡献

1. 设计了一种新颖的混合自适应注意模块，它可以从通道和空间维度自适应地选择不同尺度的感受野。
2. 开发了一种新颖的自适应注意力 U 网，用于从超声图像中分割乳腺病变。该网络可以通过学习 BUS 图像的通用表示来改进乳腺病变分割。
3. 对三个公共 BUS 数据集的大量实验表明，我们的方法持续提高了乳腺病变的分割精度，优于强大的基线和最先进的医学图像分割方法。

---

方法

整体框架

这个网络写的言简意赅。重点是将UNet中的基础卷积换成混合自适应卷积模块，和之前解读的SegNetr很像。同时整个HAAM很像一个混合版的SK-Block（可以在另一篇写的注意力模块博文中找到）

1.Hybrid Adaptive Attention Module

1. 是三个特征，两个阶段的混合；
2. 三个特征分别使用普通的3×3卷积、5×5卷积、3×3空洞卷积（空洞率为3）；
3. 三个特征中两个先使用通道注