基于密集关联网络的解剖学精准心脏分割方法研究

本文提出了一种创新的密集关联记忆分割（DAM-Seg）模型，通过集成静态记忆模块与密集预测变换器（DPT），有效解决了心脏图像分割中因可视性差导致的解剖结构不准确问题。该模型利用输入无关的模式记忆机制，显著提升了在CAMUS和CardiacNet等公开数据集上的分割鲁棒性和精度。

　　

Highlight

我们的研究亮点如下：

• •
  我们提出了可学习的记忆变换矩阵，能够将静态记忆空间转换为查询（Query）和值（Value）矩阵，这一过程独立于输入，从而实现了对存储模式的鲁棒且灵活的表征。
• •
  我们改进了记忆更新机制，以诱导产生m个亚稳态（meta-stable states），其重点在于学习可泛化的模式而非记忆所有输入变异，从而提升了模型的鲁棒性和效率。
• •
  我们将记忆模块与密集预测变换器（Dense Prediction Transformer, DPT）架构相集成，利用其强大的分割能力来实现解剖学上准确且一致的心脏分割。
• •
  我们在公开可用的CAMUS和CardiacNet数据集上进行了广泛的实验。结果表明，我们的方法能够处理部分可视性问题，并取得了显著的定量性能提升。

Ablation Studies

我们研究了我们的记忆模块在DPT架构不同变体上的贡献和有效性。我们在混合DPT（Hybrid DPT）和大型DPT（DPT Large）上进行了实验，比较了包含与不包含我们密集关联模块的情况，如表3所示。我们的关联记忆模块似乎影响了所有三个类别（例如心腔结构）的分割性能，但对心外膜（epicardium）和左心房壁（left atrium wall）分割性能的影响最为显著，因为这些结构通常容易受到图像质量差和可视性不佳的影响。在图5中，我们展示了一些示例...

Discussion

尽管现代机器学习技术在众多分类任务中已表现出超越人类的能力，但如Szegedy等人和Nguyen等人的研究所述，人们日益担忧这些模型缺乏对训练数据底层结构的真正理解。在机器学习模型与人类认知之间存在一个关键差距。深度神经网络擅长在其训练分布内进行模式识别；然而，它们常常...

Conclusions

在本研究中，我们提出了一种新颖且有效的密集关联记忆模块，旨在增强深度学习架构中注意力机制的能力。我们的核心创新在于利用一个固定的记忆张量，通过学习的投影矩阵生成静态的键（Keys）和值（Values），而查询（Queries）则保持动态且依赖于输入的特性。将所提出的记忆模块集成到基于变换器的分割模型中，带来了显著的性能提升...