MDU-Net：用于生物医学图像分割的多尺度密集连接 U-Net
计算机视觉与模式识别
2024-03-19 v3
摘要
生物医学图像分割在定量分析、临床诊断与医疗干预中起着核心作用。在完全卷积网络（FCN）与 U-Net 的启发下，深度卷积网络（DNNs）已为生物医学图像分割应用作出重要贡献。本文中，我们针对 U 形架构的编码器、解码器以及二者之间，提出三种不同的多尺度密集连接（MDC）。基于这三种密集连接，我们提出一种用于生物医学图像分割的多尺度密集连接 U-Net（MDU-Net）。MDU-Net 直接融合来自高层与低层、具有不同尺度的相邻特征图，以加强当前层中的特征传播。多尺度密集连接包含靠近输入与输出的层之间的更短连接，也使得更深的 U-Net 成为可能。此外，我们引入量化以缓解密集连接中潜在的过拟合，并进一步提升分割性能。我们在 MICCAI 2015 腺体分割（GlaS）数据集上评估所提模型。三种 MDC 在 MICCAI 腺体数据集的测试 A 与测试 B 上分别将 U-Net 性能提升至多 1.8% 与 3.5%。同时，带量化的 MDU-Net 明显改善了原始 U-Net 的分割性能。
引用
@article{arxiv.1812.00352,
title = {MDU-Net: Multi-scale Densely Connected U-Net for biomedical image segmentation},
author = {Jiawei Zhang and Yuzhen Jin and Jilan Xu and Xiaowei Xu and Yanchun Zhang},
journal= {arXiv preprint arXiv:1812.00352},
year = {2024}
}
备注
10 pages, 5 figures, 6 tables, published in the Health Information Science and Systems journal