MultiResUNet:对U-Net架构用于多模态生物医学图像分割的反思
计算机视觉与模式识别
2019-09-17 v1
摘要
近年来深度学习为医学图像分割带来了突破。U-Net是这方面最突出的深度网络,也是医学影像界最流行的架构。尽管在分割多模态医学图像方面总体表现优异,但从对具有挑战性数据集的广泛实验中,我们发现经典U-Net架构在某些方面似乎存在不足。因此,我们提出若干改进以超越已是state-of-the-art的U-Net模型。进而,遵循这些改进我们开发了新颖架构MultiResUNet,作为成功U-Net架构的潜在继承者。我们已在大量多模态医学图像上将所提架构MultiResUNet与经典U-Net进行比较。尽管在理想图像情形下仅有细微提升,但在挑战性图像上取得了显著的性能增益。我们在五个不同数据集上评估了我们的模型,每个数据集各有其独特挑战,并分别获得了10.15%、5.07%、2.63%、1.41%和0.62%的相对性能提升。
引用
@article{arxiv.1902.04049,
title = {MultiResUNet : Rethinking the U-Net Architecture for Multimodal Biomedical Image Segmentation},
author = {Nabil Ibtehaz and M. Sohel Rahman},
journal= {arXiv preprint arXiv:1902.04049},
year = {2019}
}