具有密集连接卷积的双向 ConvLSTM U-Net
图像与视频处理
2019-09-04 v1 计算机视觉与模式识别
摘要
近年来，基于深度学习的网络在医学图像分割中取得了最先进的性能。在现有网络中，U-Net 已成功应用于医学图像分割。本文中，我们提出 U-Net 的扩展——具有密集连接卷积的双向 ConvLSTM U-Net（BCDU-Net），用于医学图像分割，其中我们充分利用了 U-Net、双向 ConvLSTM（BConvLSTM）和密集卷积机制的优势。不同于 U-Net 跳跃连接中的简单拼接，我们采用 BConvLSTM 以非线性方式结合从相应编码路径和前一解码上卷积层提取的特征图。为加强特征传播并鼓励特征重用，我们在编码路径的最后卷积层中使用密集连接卷积。最后，我们通过采用批量归一化（BN）来加速所提网络的收敛速度。所提模型在三个数据集上评估：视网膜血管分割、皮肤病变分割和肺结节分割，取得了最先进的性能。
引用
@article{arxiv.1909.00166,
title = {Bi-Directional ConvLSTM U-Net with Densley Connected Convolutions},
author = {Reza Azad and Maryam Asadi-Aghbolaghi and Mahmood Fathy and Sergio Escalera},
journal= {arXiv preprint arXiv:1909.00166},
year = {2019}
}