BACKGROUND:Convolutional neural network has achieved a profound effect on cardiac image segmentation. The diversity of medical imaging equipment brings the challenge of domain shift for cardiac image segmentation. OBJECTIVE:In order to solve the domain shift existed in multi-modality cardiac imagesegmentation, this study aims to investigate and test an unsupervised domain adaptation network RA-SIFA, which combines a parallel attention module (PAM) and residual attention unit (RAU). METHODS:First, the PAM is introduced in the generator of RA-SIFA to fuse global information, which can reduce the domain shift from the respect of image alignment. Second, the shared encoder adopts the RAU, which has residual block based on the spatial attention module to alleviate the problem that the convolution layer is insensitive to spatial position. Therefore, RAU enables to further reduce the domain shift from the respect of feature alignment. RA-SIFA model can realize the unsupervised domain adaption (UDA) through combining the image and feature alignment, and then solve the domain shift of cardiac image segmentation in a complementary manner. RESULTS:The model is evaluated using MM-WHS2017 datasets. Compared with SIFA, the Dice of our new RA-SIFA network is improved by 8.4%and 3.2%in CT and MR images, respectively, while, the average symmetric surface distance (ASD) is reduced by 3.4 and 0.8mm in CT and MR images, respectively. CONCLUSION:The study results demonstrate that our new RA-SIFA network can effectively improve the accuracy of whole-heart segmentation from CT and MR images.

中文翻译：

---

RA-SIFA：结合并行注意模块和剩余注意单元的无监督域适应多模态心脏分割网络

背景：卷积神经网络在心脏图像分割方面取得了深远的影响。医学影像设备的多样性给心脏图像分割带来了领域转移的挑战。目的：为了解决多模态心脏图像分割中存在的域偏移问题，本研究旨在研究和测试一种结合了并行注意模块（PAM）和剩余注意单元（RAU）的无监督域适应网络RA-SIFA。方法：首先，在RA-SIFA的生成器中引入PAM来融合全局信息，从图像对齐的角度来减少域偏移。其次，共享编码器采用RAU，基于空间注意模块具有残差块，以缓解卷积层对空间位置不敏感的问题。所以，RAU 能够从特征对齐方面进一步减少域偏移。RA-SIFA模型可以通过结合图像和特征对齐来实现无监督域自适应（UDA），进而以互补的方式解决心脏图像分割的域偏移。结果：模型使用 MM-WHS2017 数据集进行评估。与 SIFA 相比，我们的新 RA-SIFA 网络的 Dice 在 CT 和 MR 图像中分别提高了 8.4% 和 3.2%，而在 CT 和 MR 中平均对称表面距离 (ASD) 减少了 3.4 和 0.8mm图像，分别。结论：研究结果表明，我们新的 RA-SIFA 网络可以有效提高 CT 和 MR 图像全心分割的准确性。RA-SIFA模型可以通过结合图像和特征对齐来实现无监督域自适应（UDA），进而以互补的方式解决心脏图像分割的域偏移。结果：模型使用 MM-WHS2017 数据集进行评估。与 SIFA 相比，我们的新 RA-SIFA 网络的 Dice 在 CT 和 MR 图像中分别提高了 8.4% 和 3.2%，而在 CT 和 MR 中平均对称表面距离 (ASD) 减少了 3.4 和 0.8mm图像，分别。结论：研究结果表明，我们新的 RA-SIFA 网络可以有效提高 CT 和 MR 图像全心分割的准确性。RA-SIFA模型可以通过结合图像和特征对齐来实现无监督域自适应（UDA），进而以互补的方式解决心脏图像分割的域偏移。结果：模型使用 MM-WHS2017 数据集进行评估。与 SIFA 相比，我们的新 RA-SIFA 网络的 Dice 在 CT 和 MR 图像中分别提高了 8.4% 和 3.2%，而在 CT 和 MR 中平均对称表面距离 (ASD) 减少了 3.4 和 0.8mm图像，分别。结论：研究结果表明，我们新的 RA-SIFA 网络可以有效提高 CT 和 MR 图像全心分割的准确性。该模型使用 MM-WHS2017 数据集进行评估。与 SIFA 相比，我们的新 RA-SIFA 网络的 Dice 在 CT 和 MR 图像中分别提高了 8.4% 和 3.2%，而在 CT 和 MR 中平均对称表面距离 (ASD) 减少了 3.4 和 0.8mm图像，分别。结论：研究结果表明，我们新的 RA-SIFA 网络可以有效提高 CT 和 MR 图像全心分割的准确性。该模型使用 MM-WHS2017 数据集进行评估。与 SIFA 相比，我们的新 RA-SIFA 网络的 Dice 在 CT 和 MR 图像中分别提高了 8.4% 和 3.2%，而在 CT 和 MR 中平均对称表面距离 (ASD) 减少了 3.4 和 0.8mm图像，分别。结论：研究结果表明，我们新的 RA-SIFA 网络可以有效提高 CT 和 MR 图像全心分割的准确性。