U-Net v2：重新思考 U-Net 的跳跃连接用于医学图像分割
图像与视频处理
2024-04-02 v2 计算机视觉与模式识别
摘要
在本文中，我们介绍了 U-Net v2，一种用于医学图像分割的新型鲁棒且高效的 U-Net 变体。它旨在增强语义信息向低级特征的注入，同时用更精细的细节细化高级特征。对于输入图像，我们首先使用深度神经网络编码器提取多级特征。接下来，我们通过哈达玛积（Hadamard product）从更高级特征中注入语义信息并从更低级特征中整合更精细细节，从而增强每一级的特征图。我们新颖的跳跃连接赋予所有层级的特征以丰富的语义特征和精细细节。改进后的特征随后被传送到解码器以进行进一步处理和分割。我们的方法可以无缝集成到任何编码器-解码器网络中。我们在多个公开的皮肤病变分割和息肉分割医学图像分割数据集上评估了我们的方法，实验结果表明我们的新方法在保持内存和计算效率的同时，分割精度优于最先进（state-of-the-art）的方法。代码可在 https://github.com/yaoppeng/U-Net_v2 获取。
引用
@article{arxiv.2311.17791,
title = {U-Net v2: Rethinking the Skip Connections of U-Net for Medical Image Segmentation},
author = {Yaopeng Peng and Milan Sonka and Danny Z. Chen},
journal= {arXiv preprint arXiv:2311.17791},
year = {2024}
}