DC-UNet：基于双通道高效CNN重新思考用于医学图像分割的U-Net架构
图像与视频处理
2020-06-02 v1 计算机视觉与模式识别
摘要
近年来，深度学习在计算机视觉领域变得愈发流行。卷积神经网络（CNN）为图像分割领域尤其是医学图像分割带来了突破。在这方面，U-Net是医学图像分割任务的主流方法。U-Net不仅在一般多模态医学图像分割中表现良好，在一些困难案例中同样如此。然而，我们发现经典U-Net架构在若干方面存在局限。因此，我们进行了如下改进：1）设计高效CNN架构以替代编码器与解码器；2）基于最先进的U-Net模型，应用残差模块替代编码器与解码器间的跳跃连接以改进。基于这些改进，我们设计了一种新颖架构——DC-UNet，作为U-Net架构的潜在继承者。我们创建了一种新的高效CNN架构并基于此构建DC-UNet。我们在三个具有困难案例的数据集上评估了模型，相比经典U-Net分别获得2.90%、1.49%和11.42%的相对性能提升。此外，我们使用Tanimoto相似度替代Jaccard相似度进行灰度对灰度图像比较。
引用
@article{arxiv.2006.00414,
title = {DC-UNet: Rethinking the U-Net Architecture with Dual Channel Efficient CNN for Medical Images Segmentation},
author = {Ange Lou and Shuyue Guan and Murray Loew},
journal= {arXiv preprint arXiv:2006.00414},
year = {2020}
}