用于跨厂商胸部X光分割的双编码器融合U-Net（DEFU-Net）
图像与视频处理
2020-10-27 v3 计算机视觉与模式识别
摘要
许多基于深度学习的方法已应用于医学图像分割并取得了最先进的性能。由于胸部X光数据在研究COVID-19中的重要性，对能够精确分割胸部X光软组织的最先进模型存在需求。探索最佳分割模型的数据集来自2014年开放的Montgomery和Shenzhen医院。最著名的技术是U-Net，已用于包括胸部X光在内的许多医学数据集。然而，大多数U-Net变体主要关注上下文信息提取和跳跃连接，在提取空间特征方面仍有很大改进空间。本文提出一种基于带膨胀的Inception卷积神经网络和密集连接循环卷积神经网络的胸部X光双编码器融合U-Net框架，命名为DEFU-Net。密集连接循环路径将网络加深以促进上下文特征提取。为增加网络宽度并丰富特征表示，采用了带膨胀的Inception块，其可从不同感受野捕获全局与局部空间信息。同时，两条路径通过特征求和融合，从而为解码部分保留上下文与空间信息。该多学习尺度模型有益于来自两个不同厂商（Montgomery和Shenzhen医院）的胸部X光数据集。DEFU-Net取得了优于基础U-Net、残差U-Net、BCDU-Net、R2U-Net和注意力R2U-Net的性能，证明了混合数据集的可行性并接近最先进水平。所提框架的源代码已公开 https://github.com/uceclz0/DEFU-Net。
引用
@article{arxiv.2009.10608,
title = {Dual Encoder Fusion U-Net (DEFU-Net) for Cross-manufacturer Chest X-ray Segmentation},
author = {Lipei Zhang and Aozhi Liu and Jing Xiao and Paul Taylor},
journal= {arXiv preprint arXiv:2009.10608},
year = {2020}
}
备注
6 pages, 6 figures, 3 tables, accepted by ICPR