基于循环显著性校准网络的胰腺分割方法
Pancreas Segmentation Based on Recurrent Saliency Calibration Network作者机构：江苏大学计算机科学与通信工程学院镇江212013 南京信息工程大学自动化学院南京210044 江苏省大数据分析技术重点实验室南京210044 大气环境与装备技术协同创新中心南京210044
出 版 物：《自动化学报》 (Acta Automatica Sinica)
年 卷 期：2022年第48卷第11期
页 面：2703-2717页
核心收录：
学科分类：1002[医学-临床医学] 08[工学] 080203[工学-机械设计及理论] 0802[工学-机械工程] 100214[医学-肿瘤学] 10[医学]
基 金：国家自然科学基金(61976106,61772242,61572239) 中国博士后科学基金(2017M611737) 江苏省六大人才高峰计划(DZXX-122) 江苏省研究生科研创新计划(KYCX21_3374)资助
主 题：胰腺分割 阶段上下文信息 切片上下文信息 卷积自注意力 校准模块
摘 要：胰腺的准确分割对于胰腺癌的识别和分析至关重要.研究者提出通过第一阶段粗分割掩码的位置信息缩小第二阶段细分割网络输入的由粗到细分割方法,尽管极大地提升了分割精度,但是在胰腺分割过程中对于上下文信息的利用却存在以下两个问题:1)粗分割和细分割阶段分开训练,细分割阶段缺少粗分割阶段分割掩码信息,抑制了阶段间上下文信息的流动,导致部分细分割阶段结果无法比粗分割阶段更准确;2)粗分割和细分割阶段单批次相邻预测分割掩码之间缺少信息互监督,丢失切片上下文信息,增加了误分割风险.针对上述问题,提出了一种基于循环显著性校准网络的胰腺分割方法.通过循环使用前一阶段输出的胰腺分割掩码作为当前阶段输入的空间权重,进行两阶段联合训练,实现阶段间上下文信息的有效利用;提出卷积自注意力校准模块进行胰腺预测分割掩码切片上下文信息跨顺序互监督,显著改善了相邻切片误分割现象.提出的方法在公开的数据集上进行了验证,实验结果表明其改善误分割结果的同时提升了平均分割精度.
维普期刊数据库
同方期刊数据库