阐明U-Net模型中受感受野大小作用
图像与视频处理
2024-06-25 v1 计算机视觉与模式识别
医学物理
摘要
医学图像分割是医疗应用中的关键任务，U-Net已展现出有前景的成果。本文深入探讨受感受野(RF)大小及其对U-Net和注意力U-Net架构的影响。本文探索了若干关键要素，包括RF大小、感兴趣区域特征与模型性能之间的关系，以及RF大小与计算成本在U-Net和注意力U-Net方法中不同数据集上的平衡。本文还提出了一种表示给定网络层理论受感受野(TRF)的 mathematical notation，并提出两种新指标——有效受感受野(ERF)率和Object rate，用于量化TRF面积内显著贡献像素的比例，以及评估分割对象相对于TRF大小的相对大小。结果表明，存在一种最佳TRF大小，成功在捕获更广阔的全局上下文和维持计算效率之间取得平衡，从而优化模型性能。有趣的是，数据复杂性与所需TRF大小之间存在明确的相关性；仅基于对比度的分割即使在较小的TRF大小下即可实现最佳性能，而更复杂的分割任务则需要更大的TRF。注意力U-Net模型在各种TRF大小下都优于其U-Net对手，凸显了注意力机制的价值。这些新颖见解为开发更高效的医学影像中基于U-Net的架构提供了宝贵资源，并为未来的探索铺平了道路。还开发了一个计算U-Net(以及注意力U-Net)模型TRF的工具，并为给定模型和数据集建议合适的TRF大小。
引用
@article{arxiv.2406.16701,
title = {Demystifying the Effect of Receptive Field Size in U-Net Models for Medical Image Segmentation},
author = {Vincent Loos and Rohit Pardasani and Navchetan Awasthi},
journal= {arXiv preprint arXiv:2406.16701},
year = {2024}
}