DoubleU-Net：一种用于医学图像分割的深度卷积神经网络
图像与视频处理
2020-06-30 v2 计算机视觉与模式识别
摘要
语义图像分割是将图像中每个像素标注为对应类别的过程。基于编码器-解码器的方法，如U-Net及其变体，是解决医学图像分割任务的常用策略。为提升U-Net在各种分割任务上的性能，我们提出一种称为DoubleU-Net的新架构，其由两个相互堆叠的U-Net架构组合而成。第一个U-Net使用预训练的VGG-19作为编码器，其已从ImageNet中学习到特征并可轻松迁移至其他任务。为高效捕获更多语义信息，我们在底部添加了另一个U-Net。我们还采用Atrous Spatial Pyramid Pooling（ASPP）以在网络内捕获上下文信息。我们使用四个医学分割数据集对DoubleU-Net进行了评估，涵盖结肠镜、皮肤镜与显微镜等多种成像模态。在MICCAI 2015分割挑战赛、CVC-ClinicDB、2018 Data Science Bowl挑战赛以及Lesion boundary分割数据集上的实验表明，DoubleU-Net优于U-Net与基线模型。此外，DoubleU-Net生成更精确的分割掩膜，尤其在具有较小且扁平息肉等挑战性图像的CVC-ClinicDB与MICCAI 2015分割挑战赛数据集中。这些结果显示了对现有U-Net模型的改进。在各医学图像分割数据集上取得的令人鼓舞的结果表明，DoubleU-Net可用作医学图像分割与跨数据集评估测试的强基线，以衡量深度学习（DL）模型的泛化能力。
引用
@article{arxiv.2006.04868,
title = {DoubleU-Net: A Deep Convolutional Neural Network for Medical Image Segmentation},
author = {Debesh Jha and Michael A. Riegler and Dag Johansen and Pål Halvorsen and Håvard D. Johansen},
journal= {arXiv preprint arXiv:2006.04868},
year = {2020}
}