KiU-Net：基于过完备表示实现生物医学图像精确分割
图像与视频处理
2020-07-10 v2 计算机视觉与模式识别
摘要
由于其优异的性能，U-Net近年来被广泛用作生物医学图像分割的骨干架构。然而，在我们的研究中，我们观察到在检测具有模糊含噪边界的较小解剖标志时存在显著的性能下降。我们详细分析了该问题，并通过提出一种过完备架构（Ki-Net）来解决它，该架构涉及将数据投影到更高维度（在空间意义上）。该网络在与U-Net结合时，在分割小解剖标志和模糊含噪边界的情况下取得显著改进，同时获得更好的整体性能。此外，所提出的网络还具有更快收敛和更少参数数量等额外优势。我们在早产新生儿2D超声（US）脑解剖分割任务上评估了所提出的方法，与标准U-Net相比，在DICE准确率和Jaccard指数方面实现了约4%的提升，同时比近期最佳方法高出2%。代码：https://github.com/jeya-maria-jose/KiU-Net-pytorch 。
引用
@article{arxiv.2006.04878,
title = {KiU-Net: Towards Accurate Segmentation of Biomedical Images using Over-complete Representations},
author = {Jeya Maria Jose and Vishwanath Sindagi and Ilker Hacihaliloglu and Vishal M. Patel},
journal= {arXiv preprint arXiv:2006.04878},
year = {2020}
}
备注
Accepted at MICCAI 2020