论文算法概括

文献题目:《AWSnet: An auto-weighted supervision attention network for myocardial scar and edema segmentation in multi-sequence cardiac magnetic resonance images》
开源项目链接：https://github.com/soleilssss/AWSnet/tree/master

Abstract

该文章的目的是从多序列（Multi-sequence）CMR图像中分割心肌瘢痕和水肿，采用自动权重监督框架（auto-weighted supervision framework，ASF）。并使用强化学习实现不同监督层间的交互。此外，作者利用形状先验知识对小心肌病理区域进行ROI分割，并进一步采用两个分割粒度不同的模型进行操作。粗粒度分割模型分别将左心室心肌结构识别为形状优先，而细粒度分割模型将像素级注意力机制与ASF模型相结合，从数据中学习和提取显著的病理特征。采用多序列CMR（MyoPS 2020）的心肌病理学分割公开数据集进行测试实验。

前序储备知识

bSSFP CMR

在磁共振序列中，当纵向磁化矢量和横向磁化矢量均达到稳态，这种情况我们称之为稳态自由进动（Steady State Free Precession, SSFP）；

当设置合理的TR、TE及翻转角，使得多个射频脉冲产生的各种回波（FID、SE及STE）都刚好融合成一个回波，达到一个平衡状态，这种梯度回波序列称为平衡式稳态自由进动序列（balance SSFP, bSSFP）。

算法模块

CASN(Cascaded Anatomical Segmentation Network)(级联解剖分割网络)

该级联分割网络用于勾画左心室外膜的轮廓，包括两个不同粒度的网络，其中第一个粗粒度分割网络感知的区域大致地包含了左心室区域，在此基础上裁剪出感兴趣区域（ROI），第二个细粒度网络将更精准地分割出左心室区域。

ASAN(Auto-weighted Supervision Attention Network)

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

DAS(Deep Auto-weighted Supervision)

对于训练数据规模有限的小器官图像分割问题，梯度消失（爆炸）问题会很大程度上影响训练过程。Deep supervision（深监督）通过在神经网络中间隐藏层中加入辅助分类器，作为分支的辅助分类器用于判断隐藏层特征图的质量，进而起到对主干网络的监督作用，以此优化训练的过程。
深监督的表现主要取决于监督损失平衡权重的分布，在不同任务和场景下具有较大差异。 考虑到这一点，作者提出使用强化学习（RL） 框架以动态优化监督损失的平衡权重。

PAM(Pixel-wise Attention Module)

复现实验流程

搭建实验环境

本实验基于anaconda，根据开源项目的提示安装实验所需的依赖。

训练网络

模型检验

总结

以上是生活随笔为你收集整理的【Pytorch】AWSnet论文解读与实验复现的全部内容，希望文章能够帮你解决所遇到的问题。

如果觉得生活随笔网站内容还不错，欢迎将生活随笔推荐给好友。