文章目录
前言
继Unet之后看的第二篇医学图像分割文章,用于记录学习。感谢看过的大佬们一些优秀的博文
一、论文翻译
摘要:在这一篇论文里, 我们展示了一个新的且更强的网络结构UNet++用于医学图像分割.我们的结构本质上是一个深度监督(deeply-supervised)的编码-解码网络,编码和解码的子网络通过一系列嵌套的稠密的跳跃路径来相互连接。这种重新设计的跳跃连接主要是用来降低编码解码子网络中特征图的语义差距。当编码解码网络的特征图语义类似时,我们认为这种优化器可以解决一个更简单的学习任务.我们在多种医学图像分割任务(multiple medical image segmentation tasks)中比较了UNet++、UNet以及UNet衍生网络的预测效果:小剂量的CT胸透扫描瘤分割、显微镜里的细胞核分割、腹部CT的肝脏分割以及结肠息肉分割.我们的实验说明了具有深度监督结构的UNet++取得平均3.9的IoU和3.4 points分别超过了U-Net和U-Net的衍生。
1 介绍
最先进的图像分割模型是编解码器体系结构的变体,如U-Net[9]和完全卷积网络(FCN)[8]。这些用于分割的编解码网络有一个关键的相似性:跳过连接,它将来自解码器子网的深、语义、粗粒度特征映射与来自编码器子网的浅、低级别、细粒度特征映射相结合。跳过连接已被证明有效地恢复目标对象的细粒度细节;即使在复杂的背景下,也能生成具有精细细节的分割掩码。跳跃连接对于实例级分割模型(如Mask-RCNN)的成功也是至关重要的,它能够分割被遮挡的对象。 可以说,图像分割在自然图像分割达到令人满意的性能水平,但这些模型是否满足医学图像的严格分割要求?
医学图像中的分割病变或异常需要比自然图像中所需的更高的准确性。而精确的分割掩码在自然图像中可能不是关键,但即使是医学图像中的边缘分割误差也会导致临床环境中用户体验差。例如,结节周围细微的毛刺样可能表明结节恶性;因此,将它们排除在分割掩模之外将降低模型在临床中的可信度。此外,不准确的分割也可能导致计算机生成(computer-generated)的诊断重大变化。例如,纵向研究中对结节生长的错误测量可能导致将不正确的肺-RADS类别分配给筛查患者。因此,需要设计更有效的图像分割体系结构,以有效地恢复医学图像中目标对象的精细细节。
为了解决医学图像中更精确分割的需要,我们提出了一种基于嵌套和密集跳跃连接的新分割体系结构UNET++。我们架构的基本假设是:当编码器网络的高分辨率特征映射在之前逐渐丰富与解码器网络中相应的语义丰富的特征映射融合时&#x