UNet++：一种用于医学图像分割的嵌套U-Net架构
计算机视觉与模式识别
2018-07-27 v1 机器学习
图像与视频处理
机器学习
摘要
本文提出UNet++，一种用于医学图像分割的新的、更强大的架构。我们的架构本质上是一个深度监督的编码器-解码器网络，其中编码器和解码器子网络通过一系列嵌套的、密集的跳跃路径连接。重新设计的跳跃路径旨在缩小编码器与解码器子网络特征图之间的语义鸿沟。我们认为，当解码器与编码器网络的特征图在语义上相似时，优化器将面对更简单的学习任务。我们在多个医学图像分割任务中将UNet++与U-Net和宽U-Net架构进行了比较评估：胸部低剂量CT扫描中的结节分割、显微镜图像中的细胞核分割、腹部CT扫描中的肝脏分割，以及结肠镜视频中的息肉分割。我们的实验表明，具有深度监督的UNet++相比U-Net和宽U-Net分别平均获得3.9和3.4个IoU点的提升。
引用
@article{arxiv.1807.10165,
title = {UNet++: A Nested U-Net Architecture for Medical Image Segmentation},
author = {Zongwei Zhou and Md Mahfuzur Rahman Siddiquee and Nima Tajbakhsh and Jianming Liang},
journal= {arXiv preprint arXiv:1807.10165},
year = {2018}
}
备注
8 pages, 3 figures, 3 tables, accepted by 4th Deep Learning in Medical Image Analysis (DLMIA) Workshop