MS-UNet-v2：面向小训练数据医学图像分割的自适应去噪方法与训练策略
图像与视频处理
2023-09-08 v1 计算机视觉与模式识别
摘要
基于 U 形结构的模型提升了医学图像分割的性能。然而，U-Net 的单层解码器结构过于“单薄”，难以利用足够信息，导致编码器与解码器部分之间存在较大语义差异。若训练数据量不足（在标注数据比其他任务更难获取的医学图像处理任务中很常见），情况会更糟。基于该观察，我们在本研究中提出一种名为 MS-UNet 的新型 U-Net 模型，用于医学图像分割任务。不同于 Swin-UNet 与 TransUnet 中使用的单层 U-Net 解码器结构，我们专门设计了基于 Swin Transformer 的多尺度嵌套解码器。所提出的多尺度嵌套解码器结构使解码器与编码器之间的特征映射在语义上更为接近，从而让网络学习到更细致的特征。此外，我们提出了一种新颖的边缘损失与即插即用的微调去噪模块，不仅有效提升了 MS-UNet 的分割性能，也可单独应用于其他模型。实验结果表明，MS-UNet 能以更高效的特征学习能力有效提升网络性能，尤其在训练数据量极少的极端情况下表现出更先进的性能，且所提出的边缘损失与去噪模块能显著增强 MS-UNet 的分割性能。
引用
@article{arxiv.2309.03686,
title = {MS-UNet-v2: Adaptive Denoising Method and Training Strategy for Medical Image Segmentation with Small Training Data},
author = {Haoyuan Chen and Yufei Han and Pin Xu and Yanyi Li and Kuan Li and Jianping Yin},
journal= {arXiv preprint arXiv:2309.03686},
year = {2023}
}