重新审视用于医学超声图像分割的朴素 U-net
图像与视频处理
2024-01-23 v4 计算机视觉与模式识别
机器学习
摘要
乳腺肿瘤分割是帮助我们表征和定位肿瘤区域的关键步骤之一。然而，多变的肿瘤形态、模糊边界和相似的强度分布给乳腺肿瘤的准确分割带来了挑战。近年来，许多 U-net 变体被提出并广泛用于乳腺肿瘤分割。然而，这些架构存在两个局限：（1）忽视了基准网络的特征表征能力；（2）引入额外的复杂操作增加了网络理解和复现的难度。为缓解这些挑战，本文提出一种简单而强大的嵌套 U-net（NU-net）用于乳腺肿瘤的准确分割。其核心思想是利用不同深度且权重共享的 U-Net 实现对乳腺肿瘤的鲁棒表征。NU-net 主要有以下优势：（1）提升网络对不同程度尺度乳腺肿瘤的适应性和鲁棒性；（2）该方法易于复现和执行；（3）额外操作增加了网络参数而未显著增加计算成本。在三个公共乳腺超声数据集上与十二种最先进分割方法的广泛实验结果表明，NU-net 在乳腺肿瘤上具有更具竞争力的分割性能。此外，NU-net 的鲁棒性在肾脏超声图像分割上得到进一步说明。源代码公开于 https://github.com/CGPzy/NU-net。
引用
@article{arxiv.2209.07193,
title = {Rethinking the Unpretentious U-net for Medical Ultrasound Image Segmentation},
author = {Gongping Chen and Lei Li and JianXun Zhang and Yu Dai},
journal= {arXiv preprint arXiv:2209.07193},
year = {2024}
}