金字塔像素上下文适应网络用于医疗图像分类与监督对比学习

科学领域:

• 计算机视觉 计算机视觉
• 医学图像分析 医学图像分析
• 深度学习 (Deep Learning) 是一种深度学习.

背景情况:

• 深度神经网络 (DNN) 中的空间注意力 (SA) 机制在计算机视觉的远程依赖模型中表现出色.
• 然而,SA机制在医学图像分析中往往表现不佳,由于长距离依赖模型的局限性,它难以突出微妙的损伤区域.

研究的目的:

• 解决医疗图像分析中现有的注意力机制的局限性.
• 为改善医疗图像分类提出一种新,轻量级的建筑单元.

主要方法:

• 引入了金字塔像素上下文适应 (PPCA) 模块,该模块使用多尺度像素上下文信息动态重新校准像素位置.
• 通过将PPCA模块集成到DNN中,以最小的开销开发了PPCA网络 (PPCANet).
• 整合了具有对比损失 (CL) 的监督对比学习,以增强使用标签信息的特征表示.

主要成果:

• 与基于注意力的最先进网络 (SOTA) 和最近的DNN相比,PPCANet在六个医疗图像数据集中表现出更高的性能.
• 该PPCA模块有效地汇总多尺度像素上下文,规范化不一致性,并估计每个像素的注意力重量.
• 监督的对比学习进一步提高了特征表示质量.

结论:

• 拟议的PPCA模块和PPCANet为医学图像分类提供了实用和有效的解决方案.
• 在识别微妙的病变方面,PPCANet克服了传统空间注意力的局限性.
• 该研究提供了视觉分析和废除研究,验证了PPCANet的决策过程和有效性.