医学图像分割综述：U-Net 的成功
图像与视频处理
2022-11-29 v1 计算机视觉与模式识别
摘要
自动医学图像分割是医学领域的关键课题，也是计算机辅助诊断范式中的重要对应环节。U-Net 因其灵活性、优化的模块化设计以及在所有医学图像模态中的成功，成为最广泛的图像分割架构。多年来，U-Net 模型获得了学术界与工业界研究人员的极大关注。为解决医学任务带来的规模与复杂性，已提出多种该网络的扩展。解决朴素 U-Net 模型的不足是供应商为其业务选用合适 U-Net 变体模型的首要步骤。将不同变体汇编于一处，便于构建者识别相关研究。同时，对机器学习研究人员而言，这有助于他们理解挑战该模型的生物任务难题。为此，我们讨论 U-Net 模型的实际方面，并提出一种分类法对各网络变体归类。此外，为衡量这些策略在临床应用中的性能，我们对知名数据集上若干独特且著名的设计进行公平评估。我们提供包含已训练模型的综合实现库以供未来研究。另外，为便利后续研究，我们创建了带有其可能官方实现的 U-Net 论文在线列表。所有信息汇总于 https://github.com/NITR098/Awesome-U-Net 仓库。
引用
@article{arxiv.2211.14830,
title = {Medical Image Segmentation Review: The success of U-Net},
author = {Reza Azad and Ehsan Khodapanah Aghdam and Amelie Rauland and Yiwei Jia and Atlas Haddadi Avval and Afshin Bozorgpour and Sanaz Karimijafarbigloo and Joseph Paul Cohen and Ehsan Adeli and Dorit Merhof},
journal= {arXiv preprint arXiv:2211.14830},
year = {2022}
}
备注
Submitted to the IEEE Transactions on Pattern Analysis and Machine Intelligence Journal