CE-Net: Context Encoder Network for 2D Medical Image Segmentation--CE-Net:用于二维医学图像分割的上下文编码网络
Medical Image Segmentation–CE-Net:用于二维医学图像分割的上下文编码网络)
摘要
提示:这里可以添加本文要记录的大概内容:
基于U-net的方法已经被提出。但是,连续池化和跨越式卷积操作导致了部分空间信息的丢失。本文提出了一种上下文编码网络(CE-Net),用于二维医学图像分割中获取更多的高层次信息和保留空间信息。
CE-Net主要包含三个主要组件:特征编码模块、上下文提取模块和特征解码器模块。我们使用预先训练的ResNet块作为固定的特征提取器。由新提出的密集atrous卷积块和残馀多核池块形成的上下文。我们将所提出的ce - net应用于不同的二维医学图像分割任务。综合结果表明,该方法在光学椎间盘分割、血管检测、肺检测,细胞轮廓分割,视网膜光学相干层析成像层析。等方面均优于原始U-Net方法
一、introduce
基于深度学习的分割方法是基于像素分类的学习方法。与传统的像素或超像素分类方法经常使用手工制作的特征不同,深度学习方法是对特征进行学习,克服手工制作特征的局限性。
早期医学图像深度学习方法
早期的医学图像分割深度学习方法大多基于图像补丁。Ciresan等人[39]提出了基于patch和滑动窗口策略来分割显微镜图像中的神经元膜。然后,Kamnitsas等人在[40]中采用了一种具有完全连通条件随机场(CRF)的多尺度三维CNN架构来增强基于patch的脑损伤分割。显然,该解决方案存在两个主要缺陷:滑动窗口造成的冗余计算和无法学习全局特征。
早期U-Net网络的应用
随着端到端全卷积网络[41]的出现,Ronneberger等人提出了用于生物医学图像分割的U-shape Net (U-Net)框架。U-Net在电子显微镜记录的神经元结构分割和光镜图像的细胞分割方面取得了良好的成果。它已经成为生物医学图像分割的一种流行的神经网络结构。Sevastopolsky[43]应用U-Net直接分割视网膜眼底图像视盘和视杯,用于青光眼诊断。Roy等人在光学相干断层扫描(OCT)图像中使用了类似的网络来分割视网膜层。Norman等人利用U-Net从膝关节MRI数据中分割软骨和半月板。U-Net还可以用于从CT图像[45]中直接分割肺部。
对U-Net网络的改进
针对不同的医学图像分割任务,在U-Net上进行了许多变化。Fu等[4]采用CRF收集多阶段特征图,提高船舶检测性能。随后,提出了一种改进的U-Net框架(称为M-Net)[2],通过在U-Net架构中加入多尺度输入和深度监控,实现了视盘和视杯的联合分割。深度监督主要引入与中期特征相关的额外损失函数。在深度监控的基础上,Chen等人[46]提出了一种V oxresnet来分割容积脑,Dou等人[47]提出了3D deep supervised network (3D DSN)来自动分割CT容积中的肺。
为了提高U-Net的特征学习能力,提出了一些新的模块来替代原有的模块。Apostolopoulos等人[48]提出了分支残差u -net (branch residual u -net)来分割病理OCT视网膜层,用于年龄相关性黄斑变性诊断。BRUnet依赖于残余连接和扩张的卷积来增强最终的OCT视网膜层分割。Gibson等人在[49]中引入每个编码块的密集连接,自动分割腹部CT上的多个器官。Kumar等人[21]提出了一种用于婴儿大脑MRI分割的InfiNet。除了上述基于U-Net的医学图像分割的研究成果外,一些研究者也在改进U-Net用于一般图像分割方面取得了进展。Peng等人提出了一种新的全局卷积网络来改进语义分割。Lin等[51]提出了一种包含残差卷积单元、多分辨率融合和链式残差池的多径细化网络。Zhao等[52]采用空间金字塔池法收集提取的特征图,提高了语义分割性能。
U-Net以及改进U-Net网络的限制【编码器-解码器】
U-Net及其变体的一个常见限制是,连续的池化操作或卷积跨步降低了特征分辨率,以学习越来越抽象的特征表示。虽然这种不变性有利于分类或目标检测任务,它经常阻碍密集的预测任务需要详细的空间信息。
从直观上看,将高分辨率地形图保持在中间阶段可以提高分割性能。但是,它增加了feature
map的大小,这并不是最优的,从而加快了训练速度,降低了优化的难度。因此,在加速训练和保持高分辨率之间存在一个权衡。
一般来说,U-Net结构可以被认为是编码器-解码器结构。该编码器的目标是逐步降低特征映射的空间维数,捕捉更多的高级语义特征。解码器的目的