基于U-Net的架构用于医学图像中改进的多分辨率分割
图像与视频处理
2020-07-20 v2 计算机视觉与模式识别
摘要
目的：手动医学图像分割是一项繁重且耗时的任务，且观察者间变异性高。在本研究中，我们的目标是改善U-Net架构的多分辨率图像分割性能。方法：我们提出了一种在多分辨率框架中用于图像分割的全卷积神经网络。我们以U-Net为基础架构并对其进行修改以改善其图像分割性能。在所提架构（mrU-Net）中，输入图像及其下采样版本被用作网络输入。我们添加了更多卷积层以直接从下采样图像中提取特征。我们在四个不同的医学数据集上训练和测试了该网络，包括皮肤病变照片、肺部计算机断层扫描（CT）图像（LUNA数据集）、视网膜图像（DRIVE数据集）和前列腺磁共振（MR）图像（PROMISE12数据集）。我们在相同训练和测试条件下将mrU-Net与U-Net的性能进行比较。结果：与手动分割标签相比，mrU-Net在皮肤病变、LUNA、DRIVE和PROMISE12分割上分别取得了70.6%、97.9%、73.6%和77.9%的平均Dice相似系数。对于皮肤病变、LUNA和DRIVE数据集，mrU-Net以显著更高的准确率优于U-Net；而对于PROMISE12数据集，两种网络取得了相近的准确率。此外，与U-Net相比，使用mrU-Net在LUNA和DRIVE数据集上带来了更快的训练速率。结论：所提架构的显著特征是其相较于U-Net具有更高的图像衍生特征提取能力。mrU-Net展现出比U-Net更快的训练速率和略高的图像分割精度。
引用
@article{arxiv.2007.08238,
title = {U-Net Based Architecture for an Improved Multiresolution Segmentation in Medical Images},
author = {Simindokht Jahangard and Mohammad Hossein Zangooei and Maysam Shahedi},
journal= {arXiv preprint arXiv:2007.08238},
year = {2020}
}