FusionU-Net：具有增强跳跃连接用于病理图像分割的U-Net
图像与视频处理
2023-10-18 v1 计算机视觉与模式识别
摘要
近年来，U-Net及其变体被广泛用于病理图像分割任务。U-Net的关键设计之一是在编码器与解码器之间使用跳跃连接，这有助于在上采样后恢复细节信息。虽然大多数U-Net变体采用原始的跳跃连接设计，但编码器与解码器之间存在语义鸿沟，会对模型性能产生负面影响。因此，在进行跳跃连接之前缩小这一语义鸿沟十分重要。为解决该问题，我们提出了一种基于U-Net结构并称为FusionU-Net的新分割网络，其引入融合模块在不同跳跃连接之间交换信息以减小语义鸿沟。与现有网络中的其他融合模块不同，我们的模块基于两轮融合设计，充分考虑了相邻编码器层输出之间的局部相关性以及跨多层双向信息交换的需求。我们在多个病理图像数据集上进行了大量实验来评估模型，发现FusionU-Net相比其他竞争方法取得了更优性能。我们认为我们的融合模块比现有网络的设计更有效，并且可轻松嵌入其他网络以进一步提升模型性能。
引用
@article{arxiv.2310.10951,
title = {FusionU-Net: U-Net with Enhanced Skip Connection for Pathology Image Segmentation},
author = {Zongyi Li and Hongbing Lyu and Jun Wang},
journal= {arXiv preprint arXiv:2310.10951},
year = {2023}
}
备注
9 pages, 4 figures and 4 tables