56——RSANet: Recurrent Slice-wise AttentionNetwork for Multiple Sclerosis LesionSegmentation

论文信息：RSANet: Recurrent Slice-wise Attention Network for Multiple Sclerosis Lesion Segmentation | Papers With Code

RSANet的贡献有三个方面。首先,与方法使用RNN或LSTM捕捉slice-wise依赖性,RNN和LSTM固有的缺点捕获远程依赖关系,我们提出一个新颖的slice-wise关注模块,称为SA块(见图2)来计算加权和的响应在一片各片的特性沿着相同的方向。

 其次，我们提出了一个循环的切片式注意模块，命名为RSA块，从所有体素捕获远程依赖。传递到RSA块中的输入特征将沿着矢状、冠状和轴向反复地输入到SA块中(见图4)。所有三个SA块共享相同的参数，每个SA块将从之前的SA块中聚合信息，最终捕获体素级密集依赖性。第三，RSANet是内存和计算友好的。与非局部方法[15]相比，我们的方法在计算注意图时至少减少了28倍的GPU内存消耗和至少100倍的浮点运算次数。然后，我们在43例患者的数据集中展示了我们的RSANet对MS病变分割的效率和有效性。

 整个RSA模块如图3所示。RSA块由三个SA块组成，它们具有不同的切片方向，即矢状、冠状和轴向。RSA块中的每个SA块共享相同的卷积核参数，但它们的权值α是独立更新的。在第一个循环中，RSA块接受前一次卷积提取的输入特征M层和输出m0，其中图像切片是矢状的。然后我们在冠状和轴向上重复另外两个SA块，最终得到在所有体素之间紧密连接的输出E。M, m0, m00, E具有相同的形状，因此这个RSA块可以放置在卷积网络的任何位置。