AAU-net: 用于超声图像中乳腺病变分割的自适应注意力U-Net

AAU-net

  • 期刊分析
    • 摘要
    • 贡献
    • 方法
      • 整体框架
      • 1.Hybrid Adaptive Attention Module
      • 2.Channel Self-Attention Block
      • 3.Spatial Self-Attention Block![在这里插入图片描述](https://img-blog.csdnimg.cn/629948402dc647d2b61817db3cd203f1.png)
    • 实验
      • 1.消融实验
        • 1.1 Architecture Ablation
        • 1.2 Parameter Ablation
      • 2.对比实验
      • 3.鲁棒性分析
        • 3.1 Robustness on Benign and Malignant Lesions
        • 3.2 External Validation
        • 3.3 Comparison on BUSI with Normal Images
        • 3.4 Comparison with different Attention-Based Methods
  • 可借鉴参考

期刊分析

期刊名: TRANSACTIONS ON MEDICAL IMAGING
期刊信息: IF: 10.6; JCR: Q1; 中科院一区Top
投稿周期:
本篇:未知; Publish: 2023.5
网站统计:录用比例:很难; 审稿周期:约5.4月
其余信息: LetPub
该论文有代码,Tensorflow版本

摘要

已经提出了各种深度学习方法来从超声图像中分割乳腺病变。然而,相似的强度分布、可变的肿瘤形态和模糊的边界给乳腺病灶分割带来了挑战,特别是对于形状不规则的恶性肿瘤。考虑到超声图像的复杂性,我们开发了自适应注意力U-net(AAU-net)来自动稳定地从超声图像中分割乳腺病变。具体来说,我们引入了一种混合自适应注意模块(HAAM),它主要由通道自注意块和空间自注意块组成,以取代传统的卷积操作。与传统的卷积操作相比,混合自适应注意模块的设计可以帮助我们在不同感受野下捕获更多特征。与现有的注意力机制不同,HAAM模块可以引导网络自适应地选择通道和空间维度上更鲁棒的表示,以应对更复杂的乳腺病变分割。在三个公共乳腺超声数据集上使用几种最先进的深度学习分割方法进行的广泛实验表明,我们的方法在乳腺病变分割方面具有更好的性能。此外,鲁棒性分析和外部实验表明,我们提出的 AAU-net 在乳腺病变分割方面具有更好的泛化性能。而且HAAM模块可以灵活应用到现有的网络框架中。源代码可在 https://github.com/CGPxy/AAU-net 上获取


贡献

  1. 设计了一种新颖的混合自适应注意模块,它可以从通道和空间维度自适应地选择不同尺度的感受野。
  2. 开发了一种新颖的自适应注意力 U 网,用于从超声图像中分割乳腺病变。该网络可以通过学习 BUS 图像的通用表示来改进乳腺病变分割。
  3. 对三个公共 BUS 数据集的大量实验表明,我们的方法持续提高了乳腺病变的分割精度,优于强大的基线和最先进的医学图像分割方法。

方法

整体框架

在这里插入图片描述
这个网络写的言简意赅。重点是将UNet中的基础卷积换成混合自适应卷积模块,和之前解读的SegNetr很像。同时整个HAAM很像一个混合版的SK-Block(可以在另一篇写的注意力模块博文中找到)

1.Hybrid Adaptive Attention Module

在这里插入图片描述
1. 是三个特征,两个阶段的混合;
2. 三个特征分别使用普通的3×3卷积、5×5卷积、3×3空洞卷积(空洞率为3);
3. 三个特征中两个先使用通道注意力模块,然后将第三个结合进来传入到空间注意力模块;
在这里插入图片描述
个人认为这个图是有问题的,其中5×5卷积核3×3的空洞卷积示意图画错了

2.Channel Self-Attention Block

在这里插入图片描述
就是一个简化版的SK-Net,将分支数设为2,其余的变化很少

3.Spatial Self-Attention Block在这里插入图片描述

也是一个简化版的SK-Net,将中间的特征使用1×1卷积和softmax得到空间权重进行特征增强

总体感觉创新点不足,不是很突出;但是实验做的是真的多,与我自己的实验结果来看,结果可信度很高,但应该是没有达到SOTA的。

实验

损失函数:BCE;公开的三个数据集:BUSI、BUS、STU(具体的可在文章中找到下载方式);

1.消融实验

1.1 Architecture Ablation

在这里插入图片描述
1. 相较于基础模型,空间注意力模块的提升效果比通道注意力的好
2. 终于知道他们±符号的具体定义了,以下给出一个例子进行演示
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

1.2 Parameter Ablation

在这里插入图片描述
就是将卷积核大小改变,空洞卷积率改变。结果表明,作者提出的卷积方案最优,但是我们可以看出啦,影响的效果不大(尤其是在BUSI数据集上)

2.对比实验

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
1. 这个结果分布和我当时做出了的结果分布很像,但是只是对比CNN -Base模型,没有与Combined-VIT模型对比,其实很难说达到了SOTA效果。
2. 自己也做了这两个数据集,效果是比较好的。这里要吐槽一下,同样的数据集,我的最好结果竟然是别人的benchmark,🤯,而且没给出数据集划分和代码。
3. 可视化结果中,ROC和P-R曲线是我需要学习的内容,以后可以放在论文中
4. 可视化分割结果图中,对比结果很好,但是其本身达到的精度有待提升

3.鲁棒性分析

3.1 Robustness on Benign and Malignant Lesions

在这里插入图片描述
1. 将乳腺良恶性病例分开进行分割测试,这样的操作可以清晰的看出作者提出的模型对哪一类的病例提升效果明显,这也是后期自己实验的方向
2. ROC曲线,得学一下咋画的

3.2 External Validation

在这里插入图片描述
在这里插入图片描述
将在BUS数据集(Dataset B)上训练的模型用来分割外部数据STU得到的结果,结合表IV可以看出,其分割效果比在DatasetB的效果好

3.3 Comparison on BUSI with Normal Images

在这里插入图片描述
BUSI数据集本身是含有266例正常乳腺病例(及GT图像无mask),大多数论文都是在数据集引入的时候排除掉的,没想到作者在这竟然还放进去讨论了🚀

3.4 Comparison with different Attention-Based Methods

在这里插入图片描述
主要是使用主流的注意力模块替换作者提出的HAAM模块
结果显示,在DatasetB上的效果要比在BUSI上的效果突出很多

可借鉴参考

  1. 定量实验结果呈现mean±std

  2. P值检验的具体流程

from scipy import stats
# UNet的Dice结果
unet_dice = [0.83, 0.835, 0.850]
# Att-UNet的Dice结果
att_unet_dice = [0.886, 0.899, 0.865]
# 执行独立样本t检验
t_stat, p_value = stats.ttest_ind(unet_dice, att_unet_dice)
# 输出p值
print("P值为:", p_value)
  1. 阅读 2022
    R. Huang, M. Lin, H. Dou, Z. Lin, Q. Ying, X. Jia, W. Xu, Z. Mei, X. Yang, and Y. Dong, “Boundary-rendering Network for Breast Lesion Segmentation in Ultrasound Images,” Med. Image Anal., p. 102478, 2022.

  2. 阅读MIA 2021
    C. Xue, L. Zhu, H. Fu, X. Hu, X. Li, H. Zhang, and P. Heng, “Global guidance network for breast lesion segmentation in ultrasound images,” Med. Image Anal., vol. 70, p. 101989, 2021.

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.rhkb.cn/news/150306.html

如若内容造成侵权/违法违规/事实不符,请联系长河编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

《protobuf》基础语法3

文章目录 默认值更新规则保留字段未知字段 默认值 在反序列化时,若被反序列化的二进制序列中不包含某个字段,则在反序列化时,就会设置对应默认值。不同的类型默认值不同: 类型默认值字符串“”布尔型false数值类型0枚举型0设置了…

基于风驱动优化的BP神经网络(分类应用) - 附代码

基于风驱动优化的BP神经网络(分类应用) - 附代码 文章目录 基于风驱动优化的BP神经网络(分类应用) - 附代码1.鸢尾花iris数据介绍2.数据集整理3.风驱动优化BP神经网络3.1 BP神经网络参数设置3.2 风驱动算法应用 4.测试结果&#x…

Zookeeper经典应用场景实战(一)

文章目录 1、Zookeeper Java客户端实战1.1、 Zookeeper 原生Java客户端使用1.2、 Curator开源客户端使用 2、 Zookeeper在分布式命名服务中的实战2.1、 分布式API目录2.2、 分布式节点的命名2.3、 分布式的ID生成器 3、Zookeeper实现分布式队列3.1、 设计思路3.2、 使用Apache …

Springboot学生成绩管理系统idea开发mysql数据库web结构java编程计算机网页源码maven项目

一、源码特点 springboot 学生成绩管理系统是一套完善的信息系统,结合springboot框架和bootstrap完成本系统,对理解JSP java编程开发语言有帮助系统采用springboot框架(MVC模式开发),系统 具有完整的源代码和数据库&…

Android:实现手机前后摄像头预览同开

效果展示 一.概述 本博文讲解如何实现手机前后两颗摄像头同时预览并显示 我之前博文《OpenGLES:GLSurfaceView实现Android Camera预览》对单颗摄像头预览做过详细讲解,而前后双摄实现原理其实也并不复杂,粗糙点说就是把单摄像头预览流程写两…

TikTok环保运动:短视频平台上的可持续发展

在当今社交媒体的繁荣时代,TikTok已经成为全球范围内年轻一代最喜爱的短视频分享平台之一。 数以亿计的用户在这里分享他们的创造力、生活片段和喜好。然而,随着全球环保意识的不断增强,TikTok也成为了一个独特的环境,倡导可持续…

Node-RED系列教程-25node-red获取天气

安装节点:node-red-contrib-weather 节点图标如下: 使用说明:node-red-contrib-weather (node) - Node-RED 流程图中填写经度和纬度即可。 演示: json内容: {

【重磅】这就是元宇宙碰撞的后果

筹备了一年多——朋友们,它终于来了! 我们刚刚宣布官方 Aavegotchi x Sandbox 在 X 上共享元宇宙体验。 10 月 25 日在 The Sandbox 上线,有两份可领取的空投。 Gotchi 游戏即将爆发。你们兴奋吗?

氟化钡镜片

氟化钡晶体具有良好的光学透过性能,在0.15μm-14.5μm的光谱范围内,可以用作紫外和红外光学窗口。同时,又具有优良的闪烁性能,成为高能物理与核物理、核医学等领域中重要的晶体材料。 特此记录 anlog 2023年10月7日

Linux 逻辑卷

目录 一、认识 1、概念 2、术语: 1)物理存储设备 2)物理卷 3)卷组 4)PE物理区域 5)逻辑卷 6)LE逻辑区域 7)VGDA卷组描述符区域 二、部署逻辑卷 1、物理卷管理 2、卷组…

防御安全第五次作业

1. 什么是数据认证,有什么作用,有哪些实现的技术手段? 数据认证是指保证数据的真实性、完整性和可信度,以确保数据不被篡改或伪造。其作用包括但不限于: 保护关键数据不被恶意篡改或损坏 提供数据来源的可靠性和安全性…

E: Unable to locate package XXX

问题描述: 当使用 apt-get install XXX 安装包时,出现错误 E: Unable to locate package XXX 解决方法: apt-get update apt-get install XXX

为什么append到父节点后的子节点发生修改,父节点打印出来的也会变化

今天走查前端代码&#xff0c;发现历史代码写出来的不规范&#xff0c;但是他还是在生产运行了很久的代码&#xff0c;仔细思量后发现&#xff0c;其实原理是对的&#xff0c;只是看起来不美观&#xff0c;不易读而已。 废话不说&#xff0c;先上demo代码 <!DOCTYPE html&g…

【Spring Boot】创建一个 Spring Boot 项目

创建一个 Spring Boot 项目 1. 安装插件2. 创建 Spring Boot 项目3. 项目目录介绍和运行注意事项 1. 安装插件 IDEA 中安装 Spring Boot Helper / Spring Assistant / Spring Initializr and Assistant插件才能创建 Spring Boot 项⽬ &#xff08;有时候不用安装&#xff0c;直…

维修派单系统好用吗?如何实现数字化后勤管理?

在当今社会&#xff0c;各种设备和设施的正常运转对于单位和组织来说至关重要。然而&#xff0c;由于各种因素的影响&#xff0c;设备和设施在日常运行过程中难免会出现故障。这时&#xff0c;高效的维修服务就显得尤为重要。而“的修”维修派单系统&#xff0c;就是一种专为维…

2023八股每日一题(九月份)

文章目录 9月13日【JDK、JRE、JVM之间的区别】9月14日【什么是面向对象&#xff1f;】9月15日【和equals比较】9月16日【final 关键字的作用】9月17日【String、StringBuffer、StringBuilder】9月18日【重载和重写的区别】9月19日【接口和抽象类的区别】9月20日【List和Set的区…

力扣第572题 另一棵树的子树 c++深度(DFS)注释版

题目 572. 另一棵树的子树 简单 给你两棵二叉树 root 和 subRoot 。检验 root 中是否包含和 subRoot 具有相同结构和节点值的子树。如果存在&#xff0c;返回 true &#xff1b;否则&#xff0c;返回 false 。 二叉树 tree 的一棵子树包括 tree 的某个节点和这个节点的所有…

数据挖掘(3)特征化

从数据分析角度&#xff0c;DM分为两类&#xff0c;描述式数据挖掘&#xff0c;预测式数据挖掘。描述式数据挖掘是以简介概要的方式描述数据&#xff0c;并提供数据的一般性质。预测式数据挖掘分析数据建立模型并试图预测新数据集的行为。 DM的分类&#xff1a; 描述式DM&#…

为什么企业都在申报“高新技术”?有以下十大好处!

随着信息技术时代的迅速发展&#xff0c;很多企业为了能够在同行中脱颖而出&#xff0c;都会选择办理一些和企业相关的资质证书&#xff0c;以便提升企业的核心竞争力&#xff0c;今天同邦信息科技的小编就告诉大家为什么那么多企业都选择申报“高新技术”企业&#xff1f; 首先…

Cocos Creator3.8 项目实战(四)巧用九宫格图像拉伸

一、为什么要使用九宫格图像拉伸 相信做过前端的同学都知道&#xff0c;ui &#xff08;图片&#xff09;资源对包体大小和内存都有非常直接的影响。 通常ui 资源都是图片&#xff0c;也是最占资源量的资源类型&#xff0c;游戏中的ui 资源还是人机交互的最重要的部分&#xff…