UNet 3+：一种用于医学图像分割的全尺度连接UNet
图像与视频处理
2020-04-21 v1 计算机视觉与模式识别
机器学习
摘要
近年来，基于深度学习的语义分割引起了越来越多的关注。UNet作为一种具有编码器-解码器架构的深度学习网络，被广泛应用于医学图像分割。结合多尺度特征是实现精确分割的重要因素之一。UNet++作为UNet的改进版本，通过设计具有嵌套和密集跳跃连接的架构而开发。然而，它并未从全尺度探索足够的信息，仍有很大的改进空间。在本文中，我们提出了一种新颖的UNet 3+，它利用了全尺度跳跃连接和深度监督。全尺度跳跃连接将来自不同尺度特征图的低级细节与高级语义相结合；而深度监督则从全尺度聚合的特征图中学习层次化表示。所提出的方法尤其有利于那些以不同尺度出现的器官。除了提高精度外，所提出的UNet 3+还能减少网络参数以提高计算效率。我们进一步提出了一种混合损失函数，并设计了一个分类引导模块，以增强器官边界并减少非器官图像中的过度分割，从而产生更精确的分割结果。所提方法的有效性在两个数据集上得到了验证。代码可在github.com/ZJUGiveLab/UNet-Version获取。
引用
@article{arxiv.2004.08790,
title = {UNet 3+: A Full-Scale Connected UNet for Medical Image Segmentation},
author = {Huimin Huang and Lanfen Lin and Ruofeng Tong and Hongjie Hu and Qiaowei Zhang and Yutaro Iwamoto and Xianhua Han and Yen-Wei Chen and Jian Wu},
journal= {arXiv preprint arXiv:2004.08790},
year = {2020}
}