MICCAI 2022：使用自适应条形采样和双分支 Transformer 的 DA-Net

文章目录

• 前言
• 概述
• 网络简介
• DBTM：Local Patches Meet Global Context
• ASUB block
• 实验
• 讨论
• 参考链接

前言

这是 MICCAI 2022 上的第三篇阅读笔记了，之前两篇也都可以在 GiantPandaCV 公众号搜索到。如下图所示，目前的视网膜血管分割方法按照输入数据划分有两类：image-level 和 patches-level，每一种方法都有自己的优势，如何将两者结合起来是一个需要去解决的问题，这也是 DA-Net 这篇文章的贡献之一。此外，这篇文章还提出了一个自适应的条状 Upsampling Block，我们会在后面展开介绍。文章地址可在最后参考链接找到，SpringerLink 和 ACM 上都可以下载。

概述

目前的视网膜血管分割方法根据输入类型大致分为 image-level 和 patches-level 方法，为了从这两种输入形式中受益，这篇文章引入了一个双分支 Transformer 模块，被叫做 DBTM，它可以同时利用 patches-level 的本地信息和 image-level 的全局上下文信息。视网膜血管跨度长、细且呈条状分布，传统的方形卷积核表现不佳，也是为了更好地捕获这部分的上下文信息，进一步设计了一个自适应条状 Upsampling Block，被叫做 ASUB，以适应视网膜血管的条状分布。