摘 要
在医学图像分割任务中,重点是从背景像素中检测和区分出代表感兴趣区域的前景像素。到目前为止,背景像素构成了图像中大多数像素。因此,对于背景像素而不是前景像素的检测存在一致的偏差。这导致基于深度学习的医学图像分割频繁出现的假阴性像素分类,即前景像素被错误地分类为属于背景像素类别。在本文中,我们提出了一种新的注意力机制来解决这种较高的假阴性检测率。我们的方法试图引导模型进行更多的假阳性检测,从而纠正由于训练数据不平衡而导致的分类结果不平衡。提出的注意力机制具有三种实现方式:(1)显式指导模型以检测误报;(2)通过转向相反的假阴性来隐式学习假阳性;(3)在多任务环境中,共同引导假阳性和假阴性的学习。为了验证提出的方法,我们在一个比较难的任务中验证了我们提出的网络:对肿瘤核心进行分割。在BRATS 2018训练数据上进行5次交叉验证后,我们的模型优于9个最新的基准模型,包括:空间注意力,空间通道注意力和自我注意力。更具体地说,我们的第三种实现将假阴性降低了10.4%,而假阳性的检增加却可以忽略不计。我们的第三个实施方案还将网络的Hausdorff距离提高了28%以上,同时将IoU值提高了3%以上。除了显著的性能提升外,我们提出的注意机制通过一个有效的感受野具有直观的可解释性。我们相信我们提出的可解释的注意力机制,可以帮助广泛的医学应用中更安全的计算机辅助诊断。在审查期间,为了保持保持匿名,隐藏了我们在GitHub上的代码的链接。
关键字:注意机制,可解释的AI,可解释性,表征学习,分割,医学图像分析,计算机视觉。