ADS_UNet：一种用于组织病理学图像分割的嵌套 UNet
图像与视频处理
2023-04-11 v1 计算机视觉与模式识别
摘要
UNet 模型由全卷积网络（FCN）层构成，排列为收缩编码器和上采样解码器映射。这些编码器和解码器映射的嵌套排列产生了 UNet 模型的扩展，例如 UNete 和 UNet++。其他改进包括在端到端训练时约束卷积层的输出以区分分割标签，这一特性称为深度监督（deep supervision）。尽管这些嵌套 UNet 模型参数空间巨大，但这降低了其特征多样性。此外，对于纹理分割，多尺度像素相关性有助于分类任务；因此，对较浅层进行显式深度监督可能会提升性能。在本文中，我们提出 ADS UNet，一种分阶段加性训练算法，它在较浅层中引入资源高效的深度监督，并取子 UNet 的性能加权组合来构建分割模型。我们在三个组织病理学数据集上提供了经验证据，支持所提出的 ADS UNet 减少了组成特征之间的相关性并在资源效率更高的情况下提升性能。我们证明，ADS_UNet 在 CRAG 和 BCSS 数据集上分别比最先进的基于 Transformer 的模型高出 1.08 和 0.6 个百分点，且仅需 Transformer 所需 GPU 消耗的 37% 和训练时间的 34%。
引用
@article{arxiv.2304.04567,
title = {ADS_UNet: A Nested UNet for Histopathology Image Segmentation},
author = {Yilong Yang and Srinandan Dasmahapatra and Sasan Mahmoodi},
journal= {arXiv preprint arXiv:2304.04567},
year = {2023}
}
备注
To be published in Expert Systems With Applications