「Medical Image Analysis」Note on Deep Attentional Features

版权声明：本文为博主原创文章，未经博主允许不得转载。 https://blog.csdn.net/dgyuanshaofeng/article/details/83051697

Sina Weibo：小锋子Shawn
Tencent E-mail：[email protected]
http://blog.csdn.net/dgyuanshaofeng/article/details/83051697

提出深度注意力特征模块（deep attentional feature modules），充分利用不同层的编码信息，也即各层的特征是“通畅的”，解决TRUS图像前列腺分割。

前列腺分割网络如图1所示。TRUS图像通过卷积网络ConvNet得到一系列空间大小不一的特征图，如 $fm_1, fm_2, fm_3, fm_4, fm_5$。放弃第一个水平的特征图， $fm_2, fm_3, fm_4, fm_5$经过单层卷积编码得到特征 $SLF_2, SLF_3, SLF_4, SLF_5$，然后单层特征 $SLF_i$级联起来，经过卷积编码，得到特征 $MLF$。深度注意力特征模块DAF接收 $MLF$和对应的 $SLF$作为输入，输出注意力特征，利用深度监督机制 $DSM$监督各层学习并输出多层分割结果，最终通过平均（概率）获得最后分割结果。

图 1：算法框图

深度注意力特征模块如图2所示，计算过程很清楚。

图 2：DAF模块

量化结果如图3所示。比较对象是复杂的BCRNN和两种经典全卷积网络FCN、U-Net，说明所提出方法的性能十分优越。值得细想的是，BCRNN算法居然比不过U-Net。另外，所提出方法使用了ResNeXt-101作为骨干网络，与FCN和U-Net比较，当然性能自然不会差，甚至去掉DAF模块，性能还不一定比FCN和U-Net差。所以比较的公平性和证明模块的有效性，在这里就很不明白了。另外，已经有MSRA的学者验证过，采用牛逼的骨干网络，其他乱七八糟的骚操作都是多余的，可以看看文献[2]，残差网络加反卷积，轻松虐堆叠沙漏网络。

[1] Deep Attentional Features for Prostate Segmentation in Ultrasound MICCAI 2018 [paper]
[2] Simple Baselines for Human Pose Estimation and Tracking ECCV 2018 [paper]