[论文解读] AAU-net: An Adaptive Attention U-net for Breast Lesions Segmentation in Ultrasound Images

Gongping Chen, Yu Dai+2 more|arXiv (Cornell University)|Apr 26, 2022

AI in cancer detection被引用 11

一句话总结

该论文提出AAU-net，一种新型U-Net架构，其采用混合自适应注意力模块，整合通道注意力与空间自注意力机制，以提升超声图像中的乳腺病灶分割性能。通过自适应学习通道与空间维度上的鲁棒特征，AAU-net在三个公开数据集上实现了最先进性能，展现出优于现有方法的准确性与泛化能力。

ABSTRACT

Various deep learning methods have been proposed to segment breast lesion from ultrasound images. However, similar intensity distributions, variable tumor morphology and blurred boundaries present challenges for breast lesions segmentation, especially for malignant tumors with irregular shapes. Considering the complexity of ultrasound images, we develop an adaptive attention U-net (AAU-net) to segment breast lesions automatically and stably from ultrasound images. Specifically, we introduce a hybrid adaptive attention module, which mainly consists of a channel self-attention block and a spatial self-attention block, to replace the traditional convolution operation. Compared with the conventional convolution operation, the design of the hybrid adaptive attention module can help us capture more features under different receptive fields. Different from existing attention mechanisms, the hybrid adaptive attention module can guide the network to adaptively select more robust representation in channel and space dimensions to cope with more complex breast lesions segmentation. Extensive experiments with several state-of-the-art deep learning segmentation methods on three public breast ultrasound datasets show that our method has better performance on breast lesion segmentation. Furthermore, robustness analysis and external experiments demonstrate that our proposed AAU-net has better generalization performance on the segmentation of breast lesions. Moreover, the hybrid adaptive attention module can be flexibly applied to existing network frameworks.

研究动机与目标

• 为解决从超声图像中进行乳腺病灶分割所面临的挑战，包括强度分布相似、形态可变性以及边界模糊等问题。
• 通过用自适应注意力机制替代传统卷积操作，提升复杂超声图像中的特征表示能力。
• 开发一种灵活且可泛化的深度学习框架，以提高良性与恶性肿瘤分割的准确性。
• 使网络能够根据输入特征动态聚焦于通道与空间维度上的相关特征。

提出的方法

• 所提出的AAU-net用结合通道与空间自注意力模块的混合自适应注意力模块替代标准卷积层。
• 通道自注意力模块在特征通道上计算注意力权重，以突出信息量丰富的通道。
• 空间自注意力模块计算空间注意力图，以突出特征图中的相关区域。
• 两个注意力模块通过自适应方式融合，以动态、依赖输入的方式引导特征学习。
• 网络采用二元交叉熵损失与Dice损失端到端训练，以优化分割性能。
• 混合注意力模块设计为即插即用，可轻松集成至现有U-Net架构中。

实验结果

研究问题

• RQ1 混合自适应注意力机制是否能提升超声图像中乳腺病灶分割的特征表示能力？
• RQ2 所提出的AAU-net是否在公开乳腺超声分割基准上优于现有最先进方法？
• RQ3 自适应注意力机制如何增强对可变肿瘤形态与模糊边界的鲁棒性？
• RQ4 该混合注意力模块在多样的超声图像特征下具有多大程度的泛化能力？

主要发现

• AAU-net在三个公开乳腺超声数据集上实现了最先进性能，优于现有深度学习分割方法。
• 该模型展现出优越的泛化能力，在不同数据集及外部验证集上均保持一致的性能提升。
• 鲁棒性分析表明，AAU-net对图像质量变化与病灶外观多样性不敏感。
• 混合自适应注意力模块通过根据输入内容动态强调相关通道与空间区域，提升了特征学习能力。