摘要
论文地址: https://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=9190761
在本文中,我们提出了一个嵌套的注意力感知分割网络,名为 Attention UNet++。 我们提出的方法具有深度监督的编码器-解码器架构和重新设计的密集跳过连接。 注意 UNet++在嵌套卷积块之间引入注意力机制,以便在不同级别提取的特征可以与任务相关的选择合并。 此外,由于
引入深度监督,预测速度修剪网络的速度以适度的代价加速性能下降。
1.引言
为了解决对医学图像中更准确的分割结果的需求,并受到启发注意力机制,我们提出了注意力 UNet++,一种基于嵌套 U-Net 架构的可靠分割模型和注意力机制。
我们的工作贡献如下:
1) 为肝脏 CT 图像分割引入了注意力 UNet++。
2) 在数据集 LiTS 上进行的实验表明,Attention Gate 可以聚焦整个图像的目标区域。
3)Attention U-Net++具有在抑制与分割任务无关的背景区域的同时增加目标区域权重的能力。
4) 与其他基于 UNet 的模型相比,Attention UNet++ 在肝脏分割任务上具有优越的性能。
5) 由于引入了深度监督,UNet++ 以很少的性能为代价加速了修剪注意力。
2.相关创新
嵌套的 UNet 架构:
自 U-Net提出以来,它已广泛应用于医学图像分割。 过去大多数研究都以它为骨干,并针对不同的分割任务做了一些改变。UNet++ 是最具代表性的基于