SAR-U-Net：基于挤压激励模块与空洞空间金字塔池化的残差 U-Net 用于计算机断层扫描中肝脏自动分割
图像与视频处理
2021-07-20 v3 计算机视觉与模式识别
机器学习
摘要
背景与目的：本文提出了一种基于改进 U-Net 的框架，其利用挤压激励（SE）模块、空洞空间金字塔池化（ASPP）和残差学习的技术，实现准确且鲁棒的肝脏 CT 分割，并在两个公开数据集 LiTS17 和 SLiver07 上测试了所提方法的有效性。方法：设计了一种称为 SAR-U-Net 的新网络架构。首先，在 U-Net 编码器的每次卷积后引入 SE 模块以自适应提取图像特征，同时抑制无关区域并突出特定分割任务的特征；其次，采用 ASPP 替换过渡层与输出层，通过不同感受野获取多尺度图像信息；第三，为缓解退化问题，将传统卷积块替换为残差块，从而促使网络从显著增加的深度中获得精度提升。结果：在 LiTS17 实验中，Dice、VOE、RVD、ASD 和 MSD 的均值分别为 95.71、9.52、-0.84、1.54 和 29.14。与其他紧密相关的基于 2D 的模型相比，所提方法取得了最高精度。在 SLiver07 实验中，Dice、VOE、RVD、ASD 和 MSD 的均值分别为 97.31、5.37、-1.08、1.85 和 27.45。与其他紧密相关的模型相比，除 RVD 外，所提方法取得了最高的分割精度。结论：与基于 2D 的模型相比，所提模型在精度上实现了大幅提升，并且其在应对小肝脏区域、不连续肝脏区域和模糊肝脏边界等挑战性问题上的鲁棒性也得到了充分展示与验证。
引用
@article{arxiv.2103.06419,
title = {SAR-U-Net: squeeze-and-excitation block and atrous spatial pyramid pooling based residual U-Net for automatic liver segmentation in Computed Tomography},
author = {Jinke Wang and Peiqing Lv and Haiying Wang and Changfa Shi},
journal= {arXiv preprint arXiv:2103.06419},
year = {2021}
}
备注
25 pages, 17 figures, accepted by Computer Methods and Programs in Biomedicine, DOI:10.1016/j.cmpb.2021.106268