Slim U-Net：用于超声图像分割的高效解剖特征保持 U-Net 架构
图像与视频处理
2023-03-29 v1 计算机视觉与模式识别
摘要
我们研究了基于 U-Net 的模型在男性盆腔超声（US）图像中分割膀胱（UB）的适用性。US 图像中 UB 的分割有助于放射科医生诊断 UB。然而，US 图像中的 UB 具有任意形状、边界不清以及较大的受试者间和受试者内变异性，使得分割成为一项极具挑战的任务。我们对最先进（SOTA）分割网络 U-Net 在该问题上的研究表明，由于噪声 US 图像中解剖结构的形状和尺度多变，它常无法捕捉 UB 的显著特征。此外，U-Net 拥有过多可训练参数，在训练时计算效率低下。我们提出 Slim U-Net 以解决 UB 分割的挑战。Slim U-Net 提议通过在收缩路径中使用较少数量的 2D 卷积层重塑 U-Net 结构，从而高效保持 UB 的显著特征，并将其施加于扩展路径以进行保持。为有效区分模糊边界，我们提出了一种新颖的标注方法，其在标记的兴趣区域（RoI）边界处包含图像的背景区域，从而将模型注意力导向边界。此外，我们建议结合多种损失函数用于 UB 复杂分割中的网络训练。实验结果表明，Slim U-Net 在 UB 分割上统计显著优于 U-Net。与标准 U-Net 相比，Slim U-Net 进一步将可训练参数数量和训练时间分别减少了 54% 和 57.7%，且不牺牲分割精度。
引用
@article{arxiv.2302.11524,
title = {Slim U-Net: Efficient Anatomical Feature Preserving U-net Architecture for Ultrasound Image Segmentation},
author = {Deepak Raina and Kashish Verma and SH Chandrashekhara and Subir Kumar Saha},
journal= {arXiv preprint arXiv:2302.11524},
year = {2023}
}
备注
Accepted in 9th ACM International Conference on Biomedical and Bioinformatics Engineering (ICBBE) 2022 http://www.icbbe.com/