编码特征监督 UNet++：重新设计监督用于肝脏与肿瘤分割
图像与视频处理
2022-11-16 v1 计算机视觉与模式识别
机器学习
摘要
CT 图像中的肝脏肿瘤分割是肝病诊断、手术规划和术后评估的关键步骤。自动肝脏与肿瘤分割方法可极大减轻医生检查 CT 图像的繁重工作，并更好地提高诊断准确性。近几十年来，文献中提出了许多基于 U-Net 模型的改进。然而，针对先进的 UNet++ 模型的改进相对较少。在本文中，我们提出一种编码特征监督 UNet++（ES-UNet++）并将其应用于肝脏与肿瘤分割。ES-UNet++ 由一个编码 UNet++ 和一个分割 UNet++ 组成。训练良好的编码 UNet++ 可提取标签图的编码特征，用于额外监督分割 UNet++。通过对分割 UNet++ 的每个编码器添加监督，构成 UNet++ 的不同深度 U-Net 在 dice 系数上平均优于原始版本 5.7%，从而整体 dice 系数提升 2.1%。ES-UNet++ 在 LiTS 数据集上评估，肝脏分割达 95.6%、肿瘤分割达 67.4% 的 dice 系数。本文还通过 ES-UNet++ 与 UNet++ 的对比分析总结出 ES-UNet++ 的一些有价值特性：（1）编码特征监督可加速模型收敛。（2）编码特征监督通过实现巨大加速并提供性能良好的剪枝模型，增强了模型剪枝的效果。
引用
@article{arxiv.2211.08146,
title = {Encoding feature supervised UNet++: Redesigning Supervision for liver and tumor segmentation},
author = {Jiahao Cui and Ruoxin Xiao and Shiyuan Fang and Minnan Pei and Yixuan Yu},
journal= {arXiv preprint arXiv:2211.08146},
year = {2022}
}