ATTransUNet
- 期刊分析
- 摘要
- 贡献
- 方法
- 整体框架
- 1. Global Guidance Block
- 2. Spatial-wise Global Guidance Block
- 3. Channel-wise Global Guidance Block
- 4. Breast Lesion Boundary Detection Module
- 实验
- 1. 对比实验
- 2. 消融实验
- 2.1 Ablation Analysis of our GG-Net
- 2.2 Ablation Analysis of our BD-Module
- 可借鉴参考
期刊分析
期刊名： Medical Image Analysis
期刊信息： IF: 10.9; JCR: Q1; 中科院一区Top
投稿周期： 本篇： Publised 2021.5
网站统计：录用比例：约25%； 审稿周期：约5月
其余信息： LetPub
该论文有代码，可复现学习
摘要
超声波自动乳腺病灶分割有助于诊断乳腺癌，这是影响全球女性的可怕疾病之一。由于固有的散斑伪影、模糊的乳腺病变边界以及乳腺病变区域内的不均匀强度分布，从超声图像中准确分割乳腺区域是一项具有挑战性的任务。最近，卷积神经网络（CNN）在医学图像分割任务中表现出了显着的效果。然而，CNN 中的卷积运算通常集中于局部区域，其捕获输入超声图像的远程依赖性的能力有限，导致乳腺病变分割精度下降。在本文中，我们开发了一种配备全局引导块（GGB）和乳腺病灶边界检测（BD）模块的深度卷积神经网络，用于增强乳腺超声病灶分割。 GGB 利用多层集成特征图作为指导信息来学习空间域和通道域的远程非局部依赖关系。 BD 模块学习额外的乳腺病变边界图，以提高分割结果细化的边界质量。在公共数据集和收集的数据集上的实验结果表明，我们的网络在乳腺超声病变分割方面优于其他医学图像分割方法和最近的语义分割方法。此外，我们还展示了我们的网络在超声前列腺分割上的应用，其中我们的方法比最先进的网络更好地识别前列腺区域。
贡献
- 首先，我们提出了一个具有全局引导块（GGB）的 CNN（表示为 GG-Net），在多层集成特征的指导下聚合空间和通道域中的非局部特征，以学习强大的非局部上下文信息。
- 其次，我们在浅层 CNN 层中开发了乳腺病变边界检测（BD）模块，以嵌入额外的乳腺病变边界图，以获得具有高质量边界的分割结果。
- 第三，两个超声乳腺病变数据集的实验结果表明，我们的网络在乳腺病变分割方面优于最先进的医学图像分割方法。
- 此外，我们还展示了我们的网络在超声前列腺分割上的应用，我们的网络获得了令人满意的性能。
方法
整体框架
是2021年的文章，那个时候还不流行将SA嵌入到模型中。因此文章更多的创新点还是落在了增加模型感受野（ASPP）、使用注意力机制（通道注意力和空间注意力）、使用深监督（多层边界监督）
1. Global Guidance Block
1. 网络的特征提取部分是ResNext，然后将四个层的特征图通过1×1卷积核上下采样都变为2-th层的特征图大小，通道数为1
2. 将四个特征通道上拼接传到瓶颈层，与瓶颈层输出模块一起传入到GG-Block中进行特征指导
3. 先采用空间维度上的指导，再经过通道维度上的指导
2. Spatial-wise Global Guidance Block
1. 输入是两个特征，使用常规的通道变化，尺寸变换，激活函数，得到空间权重
2. 将权重与输入的X相乘进行指导，最后在加上一个残差
3. Channel-wise Global Guidance Block
1. 传入的是经过空间指导模块后的Y，也是通过通道变化，尺寸变化，激活函数得到通道权重
2. 然后将相关特征进行点乘，最后将特征进行残差相加
4. Breast Lesion Boundary Detection Module
1. 将模型中间每层的结果输出，通过与最大池化结果做差得到边界图象，将边界和输出结果相加得到分割图象，两者同时进行深度监督
2. 刚开始认为仅仅只有边界的监督，后来才发现还有分割结果的监督
实验
使用了BCE和Dice构架深度监督损失函数，略微复杂，详情可见论文；
使用两个超声乳腺数据集，一个BUSI，一个私有数据集；
1. 对比实验
1. 表4可以发现，GG-Net相较于UNet在Dice上提升了9%，相较于次优提升了1.5%
2. 表5可以发现，GG-Net相较于UNet在Dice上提升了8.8%，相较于次优也提升了1.5%
3. 表5是不加Normal的分割结果（我们一般也会用这个数据集），表6是添加了Normal病例的分割结果，可以发现结果相差较大，文章中是通过介绍说GG-Net在两个数据集上都达到了最优值来进行说明的
2. 消融实验
2.1 Ablation Analysis of our GG-Net
1. 从Dice结果上看，在仅引入传统空间注意力和通道注意力，相较于Baseline都有着很大的提升，平均提升2.9%；
2. 在1的基础上加上Guidance的提升效果不明显，只是分别提升了0.5%和0.9%
3. 将所有的组件都增加上，效果提升是没有单个组件增加的大，这个也是我们经常会遇到的问题
2.2 Ablation Analysis of our BD-Module
1. 表2中显示，将BD引入网络效果提升不是太多
2. 表3中是将BD中对乳腺病变区域边界的监督去掉的结果，可以发现边界监督的加入在Dice上提升了0.5%左右
可视化结果显示效果很好，特别是对边界的感知较为准确，将误分割的区域都剔除掉了
可借鉴参考
暂无，可能就是行文思路和代码可以学习借鉴一下
