医学分割论文:UNet++: A Nested U-Net Architecture for Medical Image Segmentation

医学分割论文:UNet++: A Nested U-Net Architecture for Medical Image Segmentation

Auther: Zongwei Zhou, Institution:Arizona State University, Publish year: 2018

论文地址：https://arxiv.org/abs/1807.10165

https://github.com/MrGiovanni/UNetPlusPlus

目前存在的问题：

• 传统的UNet中的skip-connect采用的是channel维度的拼接融合，作者认为这种直接将ecoder的浅层特征和decoder中的深层特征结合是不妥的，会产生语义鸿沟（semantic gap）
• 当深层特征和浅层特征语义相似度高的情况下，有利于优化器优化

背景知识：

UNet中的skip-connect采用的是channel拼接，即将两个矩阵在某个维度（channel维度）进行拼接，在tensorflow中采用的是tf.concat操作，类似于numpy中的np.concatenate()，仅改变矩阵(张量)的一个维度

模型结构：

Fig1 UNet++网络结构
a. 在UNet++中，encoder和decoder之间通过一系列嵌套的密集卷积块连接,黑色表示原始Unet，绿色和蓝色表示跳跃路径上的密集卷积块，红色表示深度监督
b. 详细分析了第一个跳跃连接路径
c. 在深度监督模式训练下，模型可做剪枝处理，以减少参数

深度监督：

在模型深度增加的情况下，将部分中间结点增加辅助分类器，作为网络分支对主干网络进行监督
图中红色部分就是深度监督部分，将不同层的loss输出。每层的loss使用dice和交叉熵的混合loss

分割性能：

Fig2 Unet++的分割性能

Fig3 不同剪枝策略下Unet++的参数规模、推理速度和精度

一点点理解

作者的出发点是降低encoder和decoder两层连接时的语义鸿沟（decoder层已经经过了多次卷积处理），所以在skip-connect中也加入了几个卷积核，使得融合时差异更小