論文算法概括

文獻題目:《AWSnet: An auto-weighted supervision attention network for myocardial scar and edema segmentation in multi-sequence cardiac magnetic resonance images》
開源項目鏈接：https://github.com/soleilssss/AWSnet/tree/master

Abstract

該文章的目的是從多序列（Multi-sequence）CMR圖像中分割心肌瘢痕和水腫，采用自動權重監督框架（auto-weighted supervision framework，ASF）。并使用強化學習實現不同監督層間的交互。此外，作者利用形狀先驗知識對小心肌病理區域進行ROI分割，并進一步采用兩個分割粒度不同的模型進行操作。粗粒度分割模型分別將左心室心肌結構識別為形狀優先，而細粒度分割模型將像素級注意力機制與ASF模型相結合，從數據中學習和提取顯著的病理特征。采用多序列CMR（MyoPS 2020）的心肌病理學分割公開數據集進行測試實驗。

前序儲備知識

bSSFP CMR

在磁共振序列中，當縱向磁化矢量和橫向磁化矢量均達到穩態，這種情況我們稱之為穩態自由進動（Steady State Free Precession, SSFP）；

當設置合理的TR、TE及翻轉角，使得多個射頻脈沖產生的各種回波（FID、SE及STE）都剛好融合成一個回波，達到一個平衡狀態，這種梯度回波序列稱為平衡式穩態自由進動序列（balance SSFP, bSSFP）。

算法模塊

CASN(Cascaded Anatomical Segmentation Network)(級聯解剖分割網絡)

該級聯分割網絡用于勾畫左心室外膜的輪廓，包括兩個不同粒度的網絡，其中第一個粗粒度分割網絡感知的區域大致地包含了左心室區域，在此基礎上裁剪出感興趣區域（ROI），第二個細粒度網絡將更精準地分割出左心室區域。

ASAN(Auto-weighted Supervision Attention Network)

• ASAN1
  Early fusion to identify three categories-background, scar and ring-shaped myocardium(環狀心肌).
• ASAN2
  Extract myocardial pathology(including scar and edema) from ring-shaped myocardium and background.

DAS(Deep Auto-weighted Supervision)

對于訓練數據規模有限的小器官圖像分割問題，梯度消失（爆炸）問題會很大程度上影響訓練過程。Deep supervision（深監督）通過在神經網絡中間隱藏層中加入輔助分類器，作為分支的輔助分類器用于判斷隱藏層特征圖的質量，進而起到對主干網絡的監督作用，以此優化訓練的過程。
深監督的表現主要取決于監督損失平衡權重的分布，在不同任務和場景下具有較大差異。 考慮到這一點，作者提出使用強化學習（RL） 框架以動態優化監督損失的平衡權重。

PAM(Pixel-wise Attention Module)

復現實驗流程

搭建實驗環境

本實驗基于anaconda，根據開源項目的提示安裝實驗所需的依賴。

訓練網絡

模型檢驗

總結

以上是生活随笔為你收集整理的【Pytorch】AWSnet论文解读与实验复现的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。