Title:Brain Tumor Segmentation and Survival Prediction using 3D Attention UNet
摘要:
本文采用了3D UNet的架构,并将通道和空间注意力与解码器网络相结合来执行分割。
为了进行生存预测,我们基于分割肿瘤的几何形状,位置提取了一系列新的辐射特征,并将他们与临床信息相结合来估计每个患者的生存期。
在本文中,我们设计了一个基于3D注意力的UNet[20],用于从MR图像中分割脑肿瘤。为了预测每个患者的存活天数,我们提取形状和几何特征,并将其与临床特征相结合,并训练分析各种回归技术的性能,如支持向量机(SVM)、人工神经网络(ANN)、随机森林和XGBoost。
方法
分割方法
我们采用3D UNet架构,并将3D注意模块与解码器集成,此外本文提出了一个带有解码器块的3D注意力模型,以增强分割预测。本文提出的注意模块由一个通道和空间注意与跳跃连接并行而成,然而,融合并行的特征可能会在特征学习中产生不一致,集成跳跃连接减少了网络的冗余性和稀疏性。总体架构如下图所示:
3D注意力跳跃单元
空间和通道注意力提高了整个特征层次的编码质量,因此引入了3D注意力单元,通过利用3D空间和通道间特征关系来生成3D空间和通道注意力,如下图所示
为了获得3D注意力图,我们首先执行1*1*C卷积,将所有空间特征相关性聚合到H*W*1的维度。同时我们执行平均池化将其输入到神经网络当中,以获得1*1*C的相关性。编码的3D注意力特征图丰富了空间和通道注意力。
此外,我们融合跳跃连接以减少这些并行激励引起的稀疏性和奇异性。此外,集成跳跃连接使学习更具通用性,并增强了分割预测的结果
总结
本文采用UNet将3D注意力技术集成到一种新的方式当中,以捕获模型学习中的重要特征。