论文笔记Attention U-Net：learning where to look for the pancereas

题目：Attention U-Net：learning where to look for the pancereas

论文核心：AGS attention gates for image analysis

遗留问题：看完之后，仍然不知道怎么做的，没看太懂

摘要：提出了一种应用于医学影像的attention gate的模型self-attention gating模块，它会自动学习区分目标的外形和尺寸。这种有attention gate的模型在训练时会学会抑制不相关的区域，注重有用的显著特征，这点对一个具体的任务来说很有效。

前言：级联框架提取感兴趣区域ROI并对该特定ROI进行密集的预测，但是，这种方法导致过多和冗余地使用计算资源和模型参数。例如，级联中的所有模型都会重复提取相似的低级特征。

为了解决这个问题，文章提出了attention gates(AGS)的方法，有以下几个优势：

1、提出基于网格的AG,会使注意力系数更能凸显局部区域的特征。带AG的CNN可以直接端到端学习，无需额外的监督标准(传统的Attention需要额外的监督标准？）

2、在推理时会自动关注有显著特征的区域

3、不会引入大量的参数和计算量。AG通过抑制无关区域中特征的激活来提高模型灵敏度和准确性，以进行密集的标签预测。这样，可以在维持高准确率的同时消除使用外部器官定位模型的必要性。这里针对将分割分为两步的方法，即检测+分割，先确定待分割的器官、组织的ROI,再进行小区域的分割。

4、首次在医学图像的CNN中使用soft attention, 该模块可以替代分类任务中的hard attention和器官定位任务中的定位模块。

5、将U-Net改进为attention u-net,增加了模型对前景像素的敏感度，并设计实验证明了这种改进是通用的。