发表年份:2022
论文地址:https://arxiv.org/abs/2204.08470v1
文章目录
论文概要
本论文是一篇使用U-Net及其变形进行医学图像分割的简短综述,文中给出了关于医学图像分割逐步发展的俯瞰图,也讨论了深度神经网络的挑战和成功。在本文的最后我们将会看到医学图像分割(medical image segmentation,MIS)目前的挑战和未来的方向。
1. 介绍
选择了一个简单的分类方案,用于介绍一些流行的基于U-Net的深度神经网络用于MIS。我们从普通的U-Net开始,接着是U-Net的各种变形:跳跃连接,残差,循环,注意力机制,transformer。
U-Net是用于不同医学图像分割任务最流行的结构之一。
U-Net++有更多稠密的跳跃连接,可以帮助语义学习和平滑梯度。
R2U-Net是带有残差和循环连接的U-Net。
Attention U-Net使用attention gates来提升对于感兴趣区域的注意力。
Trans U-Net是一个U-Net和视觉transformer的混合网络,并带有注意力模块。
2. 方法
2.1 传统分割
传统的分割方法:基于阈值的分割、基于聚类的分割、均值漂移分割、图切割分割
基于阈值的分割:包括从直方图特征中找到合适的阈值,并使用该阈值对图像进行二值化。这种方法不适合处理多类别分割,也不能处理高强度变化。
基于聚类的分割:将相似的像素分组为簇,并为每个簇指定颜色标签。K-均值聚类是一种典型的聚类算法,可以将图像分割为 k 簇。这种方法主要的缺点是需要预先知道簇的数目。
均值漂移分割:本质上是一种爬山算法,使用窗口和窗口的均值用于爬山。所有属于一座山的像素被指定为相同的簇。
图切割分割:是最复杂的分割算法,基于最大流和最小割算法。
所有传统的分割算法都对自然图像进行了良好的分割,但在医学图像分割中表现出较差的性能。