ConnectedUNets++：基于全乳腺摄影图像的质量分割

近年来，深度学习因其无需先验知识即可提取高层特征的能力，在医学图像分割领域取得突破。在此背景下，U-Net是最先进的医学图像分割模型之一，在乳腺摄影中取得了有前景的结果。尽管传统U-Net在分割多模态医学图像方面总体表现优异，但其传统结构在多方面显得不足。已有若干U-Net设计改进，如MultiResUNet、Connected-UNets和AU-Net，在常规U-Net架构显露出缺陷的领域中提升了总体性能。继UNet及其变体成功之后，我们提出了Connected-UNets架构的两个增强版本：ConnectedUNets+与ConnectedUNets++。在ConnectedUNets+中，我们将Connected-UNets架构的简单跳跃连接替换为残差跳跃连接；而在ConnectedUNets++中，我们修改了编码器-解码器结构并采用残差跳跃连接。我们在两个公开数据集上评估了所提架构：数字乳腺摄影筛查数据库精选乳腺成像子集（CBIS-DDSM）与INbreast。