基于DDAUNet的CT食管肿瘤分割
摘要
在CT图像中手动或自动描绘食道肿瘤是非常具有挑战性的。这是由于肿瘤与邻近组织的对比度低，食道的解剖结构变化，以及偶尔存在异物(如喂食管)。
本文提出了一种基于卷积神经网络的全自动端到端食管肿瘤，本文所提出的网络称为扩张密集注意力网络，利用每个密集块中的空间和通道注意力门。选择性的集中在决定因素的特征图和区域，扩张用于管理GPU内存和增加网络的感受野。
本文的贡献在于：1）提出了一个端到端的CNN用于CT扫描的食管GTV分割。与之前的研究不同，我们关注的是更具有挑战性的肿瘤区域(GTV)。所提出的方法是端到端的，没有复杂的预处理或后处理步骤，并且除了CT扫描之外不使用任何信息
2）引入了扩展的密集注意块，利用空间和通道注意来强调GTV的相关特征。此外，扩张层用于支持接受野的指数级扩展，并在不损失分辨率的情况下减小网络的大小
方法
网络结构
网络的结构如下图所示
整个网络由三部分组成，下采样路径用于提取上下文特征，上采样路径用于检索提取过程中丢失的分辨率。在每个层次上，本文与之前的工作不同，使用了扩展密集空间和通道注意块（DDSCAB）,它由一个扩展密集块（DDB）和一个空间注意门（SpA）和一个通道注意门（ChA1）组成，DDSCAB块中的层之间使用循环连接模式通过重用特征映射提供了深度监督，而扩展层则以指数方式增加了接受域。
空间注意力门用于主要构建块，并鼓励网络集中于从肿瘤邻接处提取特征。信道注意门用于联合网络收缩和扩展路径之间的跳跃连接(称为ChA2)，用于过滤不相关的特征映射，以改进训练过程
在第一层中加入一堆接受域小的卷积层，而不是在第一层中加入几层接受域大的卷积层，可以减少参数的数量，增加网络的非线性，从而使网络的训练更容易。这些层帮助网络在DDSCAB中应用具有更广泛接受域的卷积运算之前提取重要特征。因此，网络从两个连续的(3 ×3×3)convd=1,p=true + BN + ReLU开始，其中3×3×3, d和p分别表示卷积层的核大小、膨胀因子和填充。
在此基础上，构建了一个DDSCAB，该DDSCAB由一个扩展的密集块(DDB)和空间注意门和通道注意门组成。对于每个DDB, R是子DDB的数量。在每个子ddb中，有R个(3 × 3 × 3)convd=2,p=true + BN + ReLU层和R个(1 × 1 × 1)convd=1,p=true + BN + ReLU层。DDB的输出是前面所有子DDB的连接。
然后将DDB的输出输入到空间注意门和通道注意门，分别对GTV无关的空间特征和特征图进行选择性过滤，从而改进训练过程。在向下采样路径中，DDSCABs后面有(1 × 1 × 1)convd=1,p=true + BN + ReLU。使用1 × 1 × 1的卷积层并不影响网络的接受场，但是增加了层之间的非线性[32]。在下采样路径的末端和上采样路径的每个DDSCAB后面都有(3 × 3 × 3)convd=1 + BN + ReLU。
损失函数
在本文中主要使用Dice系数作为主要的损失函数
其中si∈S为网络预测的GTV的二进制分割，gi∈G为地面真值分割