FU-net：基于反馈加权 U-net 的多类图像分割
图像与视频处理
2020-04-29 v1 计算机视觉与模式识别
摘要
本文提出一种用于多类图像分割的通用深度卷积神经网络（DCNN）。其基于成熟的监督式端到端 DCNN 模型 U-net。首先通过加入广泛使用的批量归一化与残差块（称为 BRU-net）来改进 U-net，以提升模型训练效率。在 BRU-net 基础上，我们进一步引入动态加权交叉熵损失函数。该加权方案根据训练过程中逐像素的预测精度计算。对分割精度较低的像素赋予更高权重，使网络能从预测不佳的图像区域学习更多特征。我们的方法称为反馈加权 U-net（FU-net）。我们基于 T1 加权脑 MRI 对 midbrain 与 substantia nigra 的分割评估了该方法，其中各类像素数量彼此极不平衡。基于 dice 系数度量，我们提出的 FU-net 以统计显著性优于 BRU-net 与 U-net，尤其在仅有少量训练样本可用时。代码已在 GitHub 公开（GitHub 链接：https://github.com/MinaJf/FU-net）。
引用
@article{arxiv.2004.13470,
title = {FU-net: Multi-class Image Segmentation Using Feedback Weighted U-net},
author = {Mina Jafari and Ruizhe Li and Yue Xing and Dorothee Auer and Susan Francis and Jonathan Garibaldi and Xin Chen},
journal= {arXiv preprint arXiv:2004.13470},
year = {2020}
}
备注
Accepted for publication at International Conference on Image and Graphics (ICIG 2019)