基于U-Net类架构的医学图像分割
图像与视频处理
2020-05-12 v1 计算机视觉与模式识别
摘要
深度卷积神经网络已被证明在图像相关的分析与任务中非常有效，例如图像分割、图像分类、图像生成等。近来，许多基于CNN的复杂架构被提出用于图像分割。其中一些新设计的网络专门用于医学图像分割，如V-Net、U-Net及其变体。已有研究表明，U-Net在医学图像分割领域取得了非常有前景的结果。然而，在本文中，我们认为U-Net的架构若与瓶颈层处的监督训练策略相结合，可产生与原始U-Net架构相当的结果。更具体地，我们在U-Net编码器分支的瓶颈处引入了一种基于全连接(FC)层的完全监督逐像素损失。这种两层FC子网络将训练瓶颈表示以包含更多语义信息，解码器层将利用这些信息预测最终的分割图。基于FC层的子网络通过采用逐像素交叉熵损失进行训练，而U-Net架构则使用L1损失训练。
引用
@article{arxiv.2005.05218,
title = {Medical Image Segmentation Using a U-Net type of Architecture},
author = {Eshal Zahra and Bostan Ali and Wajahat Siddique},
journal= {arXiv preprint arXiv:2005.05218},
year = {2020}
}
备注
6 Pages