Attention gated networks: Learning to leverage salient regions in medical images

[업데이트 2019.09.04 11:17] 

1. 논문 
Improving RetinaNet for CT Lesion Detection with Dense Masks from Weak RECIST Labels

 

Medical Image Analysis 53 (2019) 197–207

 

Article history:
Received 15 August 2018 
Revised 15 January 2019
Accepted 18 January 2019
Available online 5 February 2019

 

https://www.sciencedirect.com/science/article/pii/S1361841518306133

2. 요약 
- We propose a novel attention gate (AG) model for medical image analysis that automatically learns to
focus on target structures of varying shapes and sizes. Models trained with AGs implicitly learn to suppress irrelevant regions in an input image while highlighting salient features useful for a specific task.

- We show that the proposed attention mechanism can provide efficient object localisation while improving the overall prediction performance by reducing  false positives.

- For attention-gated classification model, we chose Sononet(Baumgartner et al., 2016) to be our base architecture, which is
a variant of VGG network (Simonyan and Zisserman, 2014).

- The proposed attention mechanism is incorporated in the Sononet architecture to better exploit local information. In the modified architecture, termed Attention-Gated Sononet (AGSononet), we remove the adaptation module.