DRU-net：一种高效的深度卷积神经网络用于医学图像分割
图像与视频处理
2020-04-29 v1 计算机视觉与模式识别
摘要
残差网络（ResNet）与密集连接网络（DenseNet）显著提升了深度卷积神经网络（DCNNs）的训练效率与性能，主要用于目标分类任务。本文通过结合两种网络的优点，提出了一种高效的网络架构。所提方法被集成到一个编码器-解码器 DCNN 模型中用于医学图像分割。与 ResNet 相比，我们的方法增加了额外的跳跃连接，但使用的模型参数量显著少于 DenseNet。我们在公开数据集（ISIC 2018 grand-challenge）和本地脑 MRI 数据集上评估了所提方法。在相同编码器-解码器网络结构下，与基于 ResNet、基于 DenseNet 以及基于注意力网络（AttnNet）的方法相比，我们的方法以少于 DenseNet 和 AttnNet 的模型参数量实现了显著更高的分割精度。代码已在 GitHub 上公开（GitHub 链接：https://github.com/MinaJf/DRU-net）。
引用
@article{arxiv.2004.13453,
title = {DRU-net: An Efficient Deep Convolutional Neural Network for Medical Image Segmentation},
author = {Mina Jafari and Dorothee Auer and Susan Francis and Jonathan Garibaldi and Xin Chen},
journal= {arXiv preprint arXiv:2004.13453},
year = {2020}
}
备注
Accepted for publication at IEEE International Symposium on Biomedical Imaging (ISBI) 2020, 5 pages, 3 figures