R2U++：一种用于医学图像分割的具有密集跳跃连接的多尺度循环残差 U-Net
摘要
U-Net 是医学图像分割领域被广泛采用的神经网络。尽管被医学影像界迅速接纳，其在复杂数据集上的性能受限。该问题可归因于其简单的特征提取模块：编码器/解码器，以及编码器与解码器之间的语义鸿沟。已有 U-Net 变体（如 R2U-Net）通过加深网络来解决简单特征提取模块的问题，但未处理语义鸿沟问题。另一方面，另一变体 UNET++ 通过引入密集跳跃连接处理语义鸿沟问题，但具有简单的特征提取模块。为克服这些问题，我们提出一种新的基于 U-Net 的医学图像分割架构 R2U++。在所提架构中，相较于原始 U-Net 的改动为：（1）将普通卷积骨干替换为更深的循环残差卷积块。这些块增大的感受野有助于提取分割的关键特征，这由网络整体性能的提升所证实。（2）通过密集跳跃路径缩减编码器与解码器间的语义鸿沟。这些路径累积来自多尺度的特征并相应进行拼接。修改后的架构内嵌多深度模型，取自不同深度的输出集成提升了图像中多尺度前景目标的性能。R2U++ 的性能在四种不同医学成像模态上评估：电子显微镜（EM）、X 射线、眼底与计算机断层扫描（CT）。相较于 UNET++，IoU 分数平均提升 1.5±0.37%、dice 分数平均提升 0.9±0.33%；而相较于 R2U-Net，不同医学影像分割数据集上 IoU 提升 4.21±2.72、dice 分数提升 3.47±1.89。
引用
@article{arxiv.2206.01793,
title = {R2U++: A Multiscale Recurrent Residual U-Net with Dense Skip Connections for Medical Image Segmentation},
author = {Mehreen Mubashar and Hazrat Ali and Christer Gronlund and Shoaib Azmat},
journal= {arXiv preprint arXiv:2206.01793},
year = {2022}
}
备注
Paper accepted in Neural Computing and Applications (2022). Please cite the final version available from Springer website https://link.springer.com/article/10.1007/s00521-022-07419-7