论文解析[3] U-Net and its variants for Medical Image Segmentation : A short review

发表年份：2022
论文地址：https://arxiv.org/abs/2204.08470v1

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。

2.2 U-Net 2015