LadderNet：基于 U-Net 的医学图像分割多路径网络
计算机视觉与模式识别
2019-08-29 v4 图像与视频处理
摘要
U-Net 在许多医学图像分割问题中提供最先进的性能。已有诸多针对 U-Net 的改进，如 attention U-Net、循环残差卷积 U-Net（R2-UNet）以及带残差块或稠密连接块的 U-Net。然而，所有这些改进均具有带跳跃连接的编码器-解码器结构，且信息流路径数量有限。本文提出 LadderNet，可视为多个 U-Net 的链式连接。与 U-Net 中仅有一对编码器分支与解码器分支不同，LadderNet 具有多对编码器-解码器分支，并在每一层级每对相邻解码器与解码器分支间有跳跃连接。受 ResNet 与 R2-UNet 成功启发，我们使用改进的残差块，其中一块内两层卷积共享相同权重。LadderNet 因跳跃连接与残差块而具有更多信息流路径，并可视为全卷积网络（FCN）的集成。等价于 FCN 集成提升了分割精度，而各残差块内权重共享减少了参数量。语义分割对视网膜疾病检测至关重要。我们在两个视网膜图像血管分割的基准数据集上测试了 LadderNet，取得了优于文献中方法的性能。实现见 \url{https://github.com/juntang-zhuang/LadderNet}
引用
@article{arxiv.1810.07810,
title = {LadderNet: Multi-path networks based on U-Net for medical image segmentation},
author = {Juntang Zhuang},
journal= {arXiv preprint arXiv:1810.07810},
year = {2019}
}