LRSAR-Net语义分割模型用于新冠肺炎CT图片辅助诊断

摘要

自2019年末新型冠状病毒(Covid-19)疫情在全球爆发以来,世界各国都处于疫情的危害之下。新冠病毒通过入侵人体的呼吸系统,造成肺部感染,甚至死亡。CT(Computed Tomography)图是医生对肺炎患者进行诊断的常规方法。为了提高医生对新冠感染者进行诊断的效率,该文提出一种基于低秩张量自注意力重构的语义分割网络LRSAR-Net,其中低秩张量自注意力重构模块用来获取长范围的信息。低秩张量自注意力重构模块主要包括:低秩张量生成子模块、低秩自注意力子模块、高秩张量重构子模块3个部分。低秩张量自注意力模块先生成多个低秩张量,构建低秩自注意力特征图,然后将多个低秩张量注意力特征图重构成高秩注意力特征图。自注意力模块通过计算相似度矩阵来获取长范围的语义信息。与传统的自注意力模块Non-Local相比,低秩张量自注意力重构模块计算复杂度更低,计算速度更快。最后,该文与其他优秀的语义分割模型进行了对比,体现了模型的有效性。