SelfReg-UNet：用于医学图像分割的自正则化UNet
图像与视频处理
2024-06-24 v1 计算机视觉与模式识别
摘要
自从 UNet 提出以来，它一直领导着各种医学图像分割任务。尽管众多后续研究致力于提高标准 UNet 的性能，但很少有研究深入分析 UNet 在医学图像分割中所学习的模式。在本文中，我们探索了 UNet 中所学习的模式，观察到两个可能影响其性能的重要因素：(i) 由非对称监督导致的特征不相关性；(ii) 特征图中的特征冗余性。为此，我们提出在编码器和解码器之间平衡监督，并减少 UNet 中的冗余信息。具体地，我们使用包含最丰富语义信息的特征图（即解码器的最后一层）为其他模块提供额外监督，并通过利用特征蒸馏来减少特征冗余。该方法可以轻松集成到现有的 UNet 架构中，以即插即用的方式实现，计算成本几乎可以忽略不计。实验结果表明，所提出的方法在四个医学图像分割数据集上 consistently 改进了标准 UNet 的性能。代码可在 \url{https://github.com/ChongQingNoSubway/SelfReg-UNet} 获取。
引用
@article{arxiv.2406.14896,
title = {SelfReg-UNet: Self-Regularized UNet for Medical Image Segmentation},
author = {Wenhui Zhu and Xiwen Chen and Peijie Qiu and Mohammad Farazi and Aristeidis Sotiras and Abolfazl Razi and Yalin Wang},
journal= {arXiv preprint arXiv:2406.14896},
year = {2024}
}
备注
Accepted as a conference paper to 2024 MICCAI