Using Guided Self-Attention with Local Information for Polyp Segmentation

摘要

背景
自动准确的息肉分割对于癌症的早期诊断至关重要。现有的息肉分割方法大多基于卷积神经网络，通常利用全局特征通过精心设计的模块来增强局部特征，从而处理息肉的多样性。尽管基于CNN的方法取得了令人印象深刻的结果，但它们无力对显式的长期关系进行建模，这限制了它们的性能。与CNN不同的是，由于自注意力，Transformer具有很强的远程关系建模能力。然而，自注意力总是将注意力分散到意想不到的区域，并且Transformer的局部特征提取能力不足，导致定位不准确和边界模糊。为了解决这些问题，我们提出了用于精确息肉分割的PPFormer。
方法

1. 首先采用浅层CNN编码器和深层Transformer编码器来提取丰富的特征
2. 在解码器中，我们提出了PP引导的自注意力，该自注意使用预测图来引导自注意聚焦于硬区域，以增强模型对息肉边界的感知。
3. 局部到全局机制旨在鼓励Transformer在局部窗口中捕获更多信息，以更好地定位息肉。
   
   （a） 是输入图像，感兴趣的像素用“+”标记
   （b） 是标签
   （c） 显示了通过PPguided自我注意力学习到的注意力图
   （d） 展示了原生自我注意力学习到的注意力图

本文方法

总体而言，PPFormer是一种编码器-解码器架构，可生成不同级别的预测图。
PPFormer的编码器由两个并行分支组成：
（1）用于全局特征提取的Transformer编码器。我们采用卷积视觉转换器（CvT）来构建转换器编码器。由于CvT删除了位置编码，我们的模型支持各种大小的输入图像。
（2） CNN编码器用于获得更多的低级别特征，以实现更好的像素级分割。我们采用VGG-16的前两个块来构建它。

PPFormer的解码器包括两个阶段：
（1）在第一阶段，模型预测具有高级特征的粗略结果，并使用预测图来引导L2G PPFormer块中的自我注意
（2） 在第二阶段，应用来自CNN编码器的低级别特征来细化分割结果。

PP-Guided Self-Attention

使用高级特征来生成低分辨率的预测图（现在不使用sigmoid函数）。patch级分割结果对每个图像patch进行评分，绝对值得分高表示斑块可能属于前景（息肉）或背景。
相反，低分数表明patch的属性很难确定，这经常发生在息肉的边界上。因此，提出了引导注意力矩阵MGA来引导这些patch：

Pf调整大小并展平预测图，MGA重点关注不确定区域，并要求它们与高核心斑块而不是其他不确定区域建立关系，以确定其归属。然后，我们融合MGA和MSA来计算PP引导的自我注意：

与普通的自我注意相比，PP引导的自我注意利用预测图作为引导信息，使模型聚焦于硬区域

Local-to-Global Mechanism

为了降低内存和计算复杂度，CvT采用压缩卷积投影来获得k和v。然而，由于局部信息的丢失，它们不适合在解码器中使用。因此，我们设计了L2G机制，以低内存使用率在局部窗口中捕获更多信息

图3说明了L2G PPFormer块中的L2G机制，该块由局部窗口阶段和全局窗口阶段组成。在前一阶段，我们将输入特征图x∈RH×W×C拆分为s×s个非重叠窗口：x→ {x1，x2，…，xs×s}，其中每个窗口的大小为H s×W s×C，s是全局窗口阶段的压缩卷积投影的步长。接下来，我们在每个局部窗口中独立执行PPFormer块。重要的是，我们在局部窗口阶段使用步长为1的卷积投影，以保留更多的局部特征，从而更好地定位息肉。在全局窗口阶段，另一个PPFormer块用于对长期关系进行建模。

损失函数

PFormer通过加权IoU损失和二进制交叉熵（BCE）损失进行端到端训练

实验结果