论文阅读（7）基于循环残差卷积神经网络(R2U-Net)的医学图像分割

Recurrent Residual Convolutional Neural Network based on U-Net (R2U-Net) for Medical Image Segmentation

摘要

基于深度学习(DL)的语义分割方法在过去几年中一直在提供最先进的性能。更具体地说，这些技术已经成功应用于医学图像分类、分割和检测任务。其中一种深度学习技术U-Net已经成为这些应用中最受欢迎的技术之一。在本文中，我们提出了一种基于U-Net的循环卷积神经网络（RCNN）以及基于U-Net模型的循环残余卷积神经网络（RRCNN），分别命名为RU-Net和R2U-Net。所提出的模型利用了U-Net、残差网络以及RCNN的优点。这些所提出的架构对于分割任务有几个优点。首先，残差单元有助于训练深层网络架构。第二，特征积累与循环残差卷积层保证了分割任务更好的特征表示。第三，它允许我们设计更好的U-Net架构，在相同数量的网络参数下，具有更好的性能，用于医学图像分割。所提出的模型在视网膜图像中的血管分割、皮肤癌分割和肺部病变分割等三个基准数据集上进行了测试。实验结果表明，与包括UNet和RU-Net(ResU-Net)在内的等效模型相比，所提出的模型在分割任务上的性能更优。

本文利用U-Net,Residual Network,RCNN这三种网络的优势，提出了RU-Net 和R2U-Net网络模型。在视网膜图像中的血管分割、皮肤癌分割和肺部病变分割等三个基准数据集上进行测试。得出R2U-Net较于U-Net 和 RU-Net的高性能。

1、引言

深度卷积神经网络 work的原因：

• 激活函数的应用
• dropout等解决过拟合方法的出现
• 有效的优化技术

医学图像分割的局限性：

• 数据稀缺
  • 一般用数据增广技术解决该问题
• 类别不平衡
  • 基于补丁的方法
  • 交叉熵损失函数和Dice损失函数

类别不平衡（class-imbalance）是指分类任务中不同类别的训练样例数目差别很大的情况。

本文的目的

为分割任务设计高效的DCNN结构是非常重要的，它可以用更少的网络参数来保证更好的性能。

本文的工作：

• 提出了两种改进模型：RU-Net和R2U-Net
• 在3个不同的病症公开数据集上进行了实验
• 在视网膜血管分割任务中利用了基于补丁的方法，在剩下两个任务中利用了基于端到端的方法
• 与最近提出的最先进的方法进行比较

2、相关工作

• 指出残差网络对梯度消失问题的解决
• 基于图像补丁的架构称为Random架构，它的计算量非常大，包含约134.5M个网络参数。这种方法的主要缺点是有大量的像素重叠，而且要多次进行相同的卷积。
• FCN，SegNet,U-Net,/DCAN,Nabla-Net,V-Net /,3D-CNN，Voxresnet
  分别对应开创性工作/基于上述方法的改进/对于不同数据的应用、

3、RU-Net，R2U-Net方法

递归卷积层(RCL)的运算是针对RCNN[41]表示的离散时间步长进行的。

RCL，多层卷积层的堆叠，从第二个层开始就和DenseNet的思想差不多，加上了前一个的数值。

4、实验设置与结果

• 针对不统一的皮肤病变分割图像数据统一处理为256x256的尺寸

4.4 皮肤癌分割

Adam优化器（2-e4的初始学习率），二分类交叉熵损失函数，MSE error，batch-size：32，epoch 150

5、结论与未来展望

在未来，我们希望用一种新颖的特征融合策略来探索从编码到解码单元的相同架构。