【论文笔记】SCOAT-Net: A novel network for segmenting COVID-19 lung opacification from CT images
声明
不定期更新自己精度论文,通俗易懂,初级小白也可以理解
涉及范围:深度学习方向,包括 CV、NLP、Data Fusion、Digital Twin
论文标题:SCOAT-Net: A novel network for segmenting COVID-19 lung opacification from CT images
论文链接:https://www.sciencedirect.com/science/article/pii/S003132032100296X
论文代码:https://github.com/Phanzsx/SCOAT-Net
数据集:https://www.kaggle.com/c/covid-segmentation/data
发表时间:2021年6月
创新点
1、提出了一种基于 UNet++ 新的注意力网络(SCOAT-Net)
2、设计了一种空间和通道注意模块
Abstract
从计算机断层扫描 (CT) 图像中自动分割肺部混浊显示出在快速准确地量化 2019 年冠状病毒病 (COVID-19) 感染和判断疾病发展和治疗反应方面的巨大潜力。然而,仍然存在一些挑战,包括不透明区域的复杂性和可变性特征、感染组织和健康组织之间的微小差异以及 CT 图像的噪声。由于医疗资源有限,短时间内获取大量数据是不切实际的,进一步阻碍了深度学习模型的训练。为了应对这些挑战,我们提出了一种新的空间和通道方式的从粗到细的注意力网络 (SCOAT-Net),它受生物视觉机制的启发,用于从 CT 图像中分割 COVID-19 肺部混浊。
以 UNet++ 为基本结构,我们的 SCOAT-Net 引入了专门设计的空间和通道注意模块,用于协同促进网络的注意学习,并在像素处提取受感染不透明区域的有效特征和渠道级别。
实验表明,与几种最先进的图像分割网络相比,我们提出的 SCOAT-Net 取得了更好的结果,并且具有可接受的泛化能力。
Method
作者基于 UNet++ 网络改进而来,在其中加入了空间和通道注意模块,详细流程如下:
Spatial-wise attention --------- 空间注意模块
Channel-wise attention --------- 通道注意模块
首先,使用不同分辨率的上下文特征图,作为 Spatial-wise-attention 的不同维度信息,它的实际作用是结合过滤器提取的所有多维特征图来计算图像的注意力图并自适应调整网络的关注区域;
然后,Spatial-wise attention 模块的输出和同层的特征图接触,进入到 Channel-wise attention 模块中,此模块主要计算各通道之间的相互依赖关系,并自适应重新校准通道的信息响应。
---------------------------------------------------------------------------------------------------------------------------------
Spational-wise and Channel-wise attention
结构图如上所示,其中定义的模块含义如下:
Fu --------- 上采样操作
Hr --------- 1*1 卷积 + 批量归一化 + ReLU
Hs --------- 1*1 卷积 + 批量归一化 + Sigmoid
➕ --------- 逐元素相加
✖ --------- 点乘
Fp、Fl --------- 全连接层
Hr*2 --------- 两层 Hr 卷积
--------------------------------------------------------------------------------------------------------------------------------
Spatial-wise attention
首先,X(i+1,j) 特征,进行 Fu 上采样后,再经过 Hr 模块与 X(i,j) 经过 Hr 模块后的特征进行逐元素相加;
然后,生成的特征进入 Hs 模块,进行特征图的生成。
---------------------------------------------------------------------------------------------------------------------------------
Channel-wise attention
首先,Spatial-wise attention 输出的特征和同一层的特征,进行拼接,如上图白色区域;
然后,拼接后的特征,分别进入;
(1)两层全连接 Fp、Fl 自适应的学习要关注的特征通道的依存关系,产生注意力向量 Xv;
(2)Hr 模块
最后,Xv 向量进行 Hr*2 ,产生的特征与(2)过程进行逐元素相加,输出。
---------------------------------------------------------------------------------------------------------------------------------
Experiments
实验目标:不同模型切割效果
--------------------------------------------------------------------------------------------------------------------------------实验目标:在 KAGGLE 数据集上验证肺部感染分割的不同网络。
实验结果:平均效果最优
【论文笔记】SCOAT-Net: A novel network for segmenting COVID-19 lung opacification from CT images相关推荐
- 显著性应用--论文笔记--2019--Aesthetic guided deep regression network for image cropping
论文信息: 作者:Peng Lua, Hao Zhanga, XuJun Pengb, Xiang Penga 期刊:Signal Processing: Image Communication 任务 ...
- 【论文笔记】A Transformer-based Siamese network for change detection
论文 论文题目:A TRANSFORMER-BASED SIAMESE NETWORK FOR CHANGE DETECTION 收录:IGARSS 2022 论文地址:https://arxiv.o ...
- 【论文笔记】Tube Convolutional Neural Network (T-CNN) for Action Detection in Videos
这篇论文提出了一种称为管道卷积神经网络( tube convolutional neural network,T-CNN) 的结构,它是 Faster R-CNN 从 2D 到 3D 的扩展.该方法先 ...
- 论文阅读——CcNet:A cross-connected convolutional network for segmenting retinal vessels using multi-scale
论文阅读:CcNet:A cross-connected convolutional network for segmenting retinal vessels using multi-scale ...
- 论文笔记:孪生神经网络(Siamese Network)
Siamese Network 原文:<Learning a Similarity Metric Discriminatively, with Application to Face Verif ...
- 论文笔记——C2FNet:Context-aware Cross-level Fusion Network for Camouflaged Object Detection
Context-aware Cross-level Fusion Network for Camouflaged Object Detection 论文地址:https://arxiv.org/pdf/ ...
- 论文笔记:Multi-Scale Boosted Dehazing Network with Dense Feature Fusion
摘要 (1)作者提出了一种基于U-Net架构的具有稠密特征融合的多尺度增强除雾网络. (2)该方法是基于增强(boosting)和误差反馈(error feedback)两个原则设计的,表明它们适用于 ...
- 论文笔记(Social Attentional Memory Network:Modeling Aspect- and Friend-level Differences in Recom-)
社交注意记忆网络:模拟面级别和朋友级别的区别 原文链接:Social Attentional Memory Network: Modeling Aspect- and Friend-Level Dif ...
- 论文笔记 | FFConv: Fast Factorized Neural Network Inference on Encrypted Data
FFConv 问题背景 同态加密神经网络 (HENN) 打包加密 主要技术 低秩矩阵分解 分解打包(Factorized Packing, FactPack) 实验结果 MNIST数据集 CIFAR- ...
最新文章
- Webpack 代码分离
- JAVA Bean和XML之间的相互转换 - XStream简单入门
- awk -f 分隔符 命令_千面 awk
- AC自动机(写的很乱,仅记录留作自己复习)
- 2013年测试基于Web的Spring应用程序(第1部分)
- (接口)银联证书上传被修改的问题和读取证书的绝对路径问题
- hadoop put命令的格式_HDFS常用命令
- 嵌入式全栈工程师_我花了半个月,整理出了这篇嵌入式开发学习指南(学习路线+知识点梳理)...
- 深入分布式缓存之EVCache探秘开局篇(文末赠书)
- bzoj2127 happiness 最小割
- 双系统(win7+ubuntu)ubuntu磁盘空间不足时解决方法
- 创建一对多表结构实例 /操作的三种方式
- 驱动兼容_【重磅】上海数明发布国内首款兼容光耦隔离式单通道栅极驱动器系列产品SLM34x...
- 【BZOJ】3436: 小K的农场
- SSIM和PSNR计算
- 耳机插入电脑插孔后只有一边有声音
- 【统计学】三大相关系数之肯德尔相关系数(kendall correlation coefficient)
- Layui表单的验证
- 网络口碑营销分几步完成?网络口碑营销的步骤
- Required request body is missing 报错解决
热门文章
- Carplay wire / wireless
- EDIUS调音台的使用
- 微信小程序(.wxapkg)源码包解包的方法
- (热学 热力学统计物理 )大题典选--------热力学状态与热力学第一定律
- windows光盘修复计算机,windows光盘修复电脑
- 用C语言实现一个矩阵
- python数据分析要求高性能计算机_仅需1秒!搞定100万行数据:超强Python数据分析利器...
- 有什么专业的音乐制作与剪辑软件?专业音乐制作人都在用!
- 2022道路运输企业主要负责人考试模拟100题及在线模拟考试
- 瑞雷波频散曲线_瑞雷波多模式频散曲线的能量计算研究