SPM

论文：《Learning with Explicit Shape Priors for Medical Image Segmentation》（TMI 2023)

探索形状先验(shape priors)对分割性能的影响

基于unet的医学图像分割模型的局限性:cnn的感受野有限，无法利用器官或组织之间的远距离和全局空间关系，无法实现精细的形状表示。（注意力模块扩大模型的感受野，隐式地捕获形状信息）

注：通过设计特定的损失函数，而不是Dice损失或交叉熵损失，将明确的形状先验集成到分割框架中。但这些损失函数是特定于任务的，不能很容易地扩展到不同的数据集

提出了显式形状模型（SPM），以形状先验作为额外的输入来增强模型的形状表示能力。

image-20231120152537182

image-20231120163304452

其中F代表模型的前向传播，S代表构造图像I和标签L之间映射的形状先验。

注意力图：生成的形状先验在推断阶段充当了注意力图，用于定位感兴趣的区域，并抑制背景区域

SPM模块：

image-20231120153357914

SPM模块由the self-update block (SUB)、cross-update block (CUB)

the self-update block (SUB)：以形状先验作为输入，用于生成全局形状先验

image-20231120154358605

SUB的结构缺乏对局部视觉结构的建模，全局形状先验不具有精确的形状和轮廓信息。

cross-update block (CUB)：建模局部形状先验

image-20231120160130787

:一个C × N矩阵,用于评估C通道特征映射Fo和N通道形状先验之间的关系。

下采样生成局部形状先验:

image-20231120160808202

增强的形状先验融合了SUB生成全局形状先验及CUB生成的局部形状先验

实验部分：

与其他方法的对比：

image-20231120202559717

image-20231120202723390

image-20231120202732327

消融实验：在BRATS 2020（脑肿瘤）、VerSe2019(脊柱)、ACDC（心脏）

image-20231120201045294

表明SPM有增强模型对相对规则的形状区域的表示能力