UNet#：一种为医学图像分割重新设计跳跃连接的类 UNet 网络
图像与视频处理
2022-05-25 v1 计算机视觉与模式识别
摘要
作为开发医疗智能辅助系统的必要前提，医学图像分割已受到神经网络领域的广泛研究与关注。一系列具有编码器-解码器架构的类 UNet 网络取得了非凡成功，其中 UNet2+ 与 UNet3+ 重新设计了跳跃连接，分别提出密集跳跃连接与全尺度跳跃连接，并相较 UNet 在医学图像分割上大幅改进。然而，UNet2+ 缺乏从全尺度充分探索的信息，这将影响对器官位置与边界的学习。尽管 UNet3+ 可获取全尺度聚合特征图，但由于结构中神经元数量少，在样本数量少时无法满足对微小物体的分割。本文提出一种结合密集跳跃连接与全尺度跳跃连接的新网络结构，因其形状类似于符号 \# 而命名为 UNet-sharp（UNet\#）。所提出的 UNet\# 可在解码器子网络中聚合不同尺度的特征图，并从全尺度捕获细粒度细节与粗粒度语义，有助于学习精确位置并准确分割器官或病变的边界。我们执行深度监督以进行模型剪枝来加速测试，并使模型可在移动设备上运行；此外，设计两个分类引导模块以减少假阳性，获得更准确的分割结果。在不同模态（EM、CT、MRI）与维度（2D、3D）数据集（包括细胞核、脑肿瘤、肝脏和肺）上的语义分割与实例分割的各类实验表明，所提方法优于最先进的模型。
引用
@article{arxiv.2205.11759,
title = {UNet#: A UNet-like Redesigning Skip Connections for Medical Image Segmentation},
author = {Ledan Qian and Xiao Zhou and Yi Li and Zhongyi Hu},
journal= {arXiv preprint arXiv:2205.11759},
year = {2022}
}