用于脑肿瘤分割的一次性多任务网络与跨任务引导注意力机制

类别不平衡已成为医学图像分割中的主要挑战之一。模型级联（MC）策略通过运行一系列独立的深度模型进行从粗到细的分割，显著缓解了类别不平衡问题。然而，尽管该方法表现出色，但它导致了系统复杂性的增加，并且忽略了模型之间的相关性。为了解决这些缺陷，我们提出了一种轻量级的深度模型，即单次多任务网络（One-pass Multi-task Network, OM-Net），在仅需一次计算的情况下更好地解决类别不平衡问题。首先，OM-Net将分离的分割任务整合到一个深度模型中，该模型包含共享参数以学习联合特征，以及任务特定参数以学习区分性特征。其次，为了更有效地优化OM-Net，我们利用任务之间的相关性设计了在线训练数据传递策略和基于课程学习的训练策略。第三，我们进一步提出了在任务之间共享预测结果，并设计了一个跨任务引导注意力（Cross-task Guided Attention, CGA）模块，该模块可以根据类别特定统计信息自适应地重新校准通道特征响应。最后，引入了一种简单而有效的后处理方法来细化分割结果。大量的实验表明所提出的技巧的有效性。最令人印象深刻的是，我们在BraTS 2015测试集和BraTS 2017在线验证集上取得了最先进的性能。使用这些提出的方法，在64支参赛队伍中，我们还在BraTS 2018挑战赛中获得了并列第三名的成绩。代码已公开发布在https://github.com/chenhong-zhou/OM-Net。