跳转至

MICCAI 2022：使用自适应条形采样和双分支 Transformer 的 DA-Net

文章目录

  • 前言
  • 概述
  • 网络简介
  • DBTM：Local Patches Meet Global Context
  • ASUB block
  • 实验
  • 讨论
  • 参考链接

前言

这是 MICCAI 2022 上的第三篇阅读笔记了，之前两篇也都可以在 GiantPandaCV 公众号搜索到。如下图所示，目前的视网膜血管分割方法按照输入数据划分有两类：image-level 和 patches-level，每一种方法都有自己的优势，如何将两者结合起来是一个需要去解决的问题，这也是 DA-Net 这篇文章的贡献之一。此外，这篇文章还提出了一个自适应的条状 Upsampling Block，我们会在后面展开介绍。文章地址可在最后参考链接找到，SpringerLink 和 ACM 上都可以下载。

请添加图片描述

概述

目前的视网膜血管分割方法根据输入类型大致分为 image-level 和 patches-level 方法，为了从这两种输入形式中受益，这篇文章引入了一个双分支 Transformer 模块，被叫做 DBTM，它可以同时利用 patches-level 的本地信息和 image-level 的全局上下文信息。视网膜血管跨度长、细且呈条状分布，传统的方形卷积核表现不佳，也是为了更好地捕获这部分的上下文信息，进一步设计了一个自适应条状 Upsampling Block，被叫做 ASUB，以适应视网膜血管的条状分布。

网络简介

下图是 DA-Net 的整体结构。共享 encoder 包含五个卷积块，DBTM 在 encoder 之后，最后是带 ASUB 的 decoder。首先，原眼底图像很常规的被分成 N^2 个 patches，N 为 patch 的大小，除此之外，将原眼底图像也下采样 N 倍，但是不做裁剪。将它们一起送入共享 encoder，分别得到相应的特征图 F(i) 和 F′，这里的共享指的是两个 encoder 分支的权重共享（那么你可以把它简单理解为用同一个卷积核扫描 N^1+1 个 patches，只不过其中 1 这个 patch 是完整的图像），两个分支可以通过合并批次并行操作，这意味着输入图像的编码可以在一次推理中完成，无需增加额外的参数和时间消耗。随后，这两个分支的输出通过 DBTM 进行通信，DBTM 可以向每个补丁广播长距离的全局信息。U 型网络中间还有普通的跨层连接，最后，再通过 ASUB 的 decoder后，得到预测的分割结果。

请添加图片描述

DBTM：Local Patches Meet Global Context

下面两部分，我们分别对 DBTM 和 AUSB block 展开介绍。

首先，将经过 flatten 和投影的特征图 F(i) 和 F′ 作为输入 tokens ，其中加入训练过的 position embeddings 以保留位置信息。然后，如下图所示，输入 tokens 被送入 Transformer Layer。不同的是，设计了一个特殊的 self-then-cross 的 pipeline，将两个分支的输入混合起来，称为双分支 Transformer 模块（看网络简介中的图）。第一个 Transformer Layer 作为 Q，第二个 Transformer Layer 作为 K 和 V。具体来说，首先，这两个分支的输入标记分别用自注意机制模拟 image-level 和 patches-level 的长距离依赖。然后，交叉注意机制被用于两个分支的 tokens 之间的通信。在交叉注意机制中，将 patches-level 的标记表示为查询 Q， image-level 分支的标记表示为下图中多头自我注意（MSA）层的键 Q 值 V。整体设计是很简单的，实现了”Local Patches Meet Global Context“。

请添加图片描述

ASUB block

视网膜血管的一些固有特征导致了其分割困难，比如视网膜血管的分支很细，边界很难区分，而且视网膜血管之间的关系很复杂。在这些情况下，视网膜血管周围的背景信息对视网膜血管的分割至关重要。如下图所示，传统的方形卷积核在正常的上采样块中不能很好地捕捉线性特征，并且不可避免地引入了来自邻近的不相关信息。为了更好地收集视网膜血管周围的背景信息，提出了 Adaptive Strip Upsampling Block（ASUB），它适合于长而细的视网膜血管分布。

请添加图片描述

粗略看一下，在 © 中，一共有四种类型的条状卷积核，捕捉水平（S1）、垂直（S2）、左对角线（S3）和右对角线（S4）方向上的信息。接下来，我们仔细分析下 ASUB 的思路，首先，使用一个 1×1 的 Conv 来将特征图的维度减半，以减少计算成本。然后，利用四个带状卷积来捕捉来自不同方向的上下文信息。此外，做全局平均池化（GAP）来获得通道维度的特征图。在特征图的通道维度上获得特征向量，并使用全连接层来学习每个带状卷积的通道方向的注意立向量。之后，应用万能的 softmax 来产生通道融合权重Wi , i∈{1, 2, 3, 4}。 最后，我们用学到的自适应权重对每个带状卷积 Fi 的输出进行加权，得到特征图，特征图是 4 个 Fi*Wi 求和。 最后用 1×1 的 Conv 恢复维度，得到最终输出 Foutput。同时，这部分是会增加网络学习负担的。

请添加图片描述

实验

首先是和其他 SOTA 方法的比较，包括 image-level 和 patches-level 两种，如下表。

请添加图片描述

接下来是消融实验的部分，其中的 Baseline 指 U-Net。注意到，FLOPs 和 参数量的增加是可以接受的。

请添加图片描述

讨论

其实 ASUB 设置的条形采样方向也不一定与一些小血管的方向完全一致，这是可以进一步改进的地方。比如说尝试可变形卷积（Deformable ConvNetsV2）的方式。

参考链接

本文总阅读量次