3D U$^2$-Net：一种用于多域医学图像分割的三维通用 U-Net
图像与视频处理
2019-09-16 v1 计算机视觉与模式识别
摘要
像 U-Net 这样的全卷积神经网络已是医学图像分割的最先进方法。实际上，一个网络高度专门化，且针对每项分割任务单独训练。相较于多个模型的集合，我们更希望为不同任务学习一种通用数据表示，理想情况下是以极少附加参数导向各任务的单一模型。受多域学习在图像分类中近期成功的启发，我们首次探索了一种有前景的通用架构，其可处理多项医学分割任务，并可扩展至新任务，而不论器官与成像模态差异。我们的三维通用 U-Net（3D U-Net）构建于可分离卷积之上，假设来自不同域的图像具有域特定的空间相关性（可用通道卷积探查）且共享跨通道相关性（可用逐点卷积建模）。我们在五个器官分割数据集上评估了 3D U-Net。实验结果表明，该通用网络在分割精度上可与传统模型竞争，同时仅需约 的参数。此外，我们观察到该架构可轻松有效地适配新域，且不损害用于学习通用网络共享参数化的各域性能。我们将 3D U-Net 的代码公开。\url{https://github.com/huangmozhilv/u2net_torch/}
引用
@article{arxiv.1909.06012,
title = {3D U$^2$-Net: A 3D Universal U-Net for Multi-Domain Medical Image Segmentation},
author = {Chao Huang and Hu Han and Qingsong Yao and Shankuan Zhu and S. Kevin Zhou},
journal= {arXiv preprint arXiv:1909.06012},
year = {2019}
}