UNet++: A Nested U-Net Architecture for Medical Image Segmentation

* Authors: [[Zongwei Zhou]], [[Md Mahfuzur Rahman Siddiquee]], [[Nima Tajbakhsh]], [[Jianming Liang]]

初读印象

comment:: (UNet++)一种更加复杂的UNet。

动机

分割医学图像中的病变或异常需要比自然图像中更高的精度。虽然精确的分割掩码在自然图像中可能并不重要，但即使是医学图像中的边缘分割错误也会导致临床环境中的用户体验不佳。
当来自编码器网络的高分辨率特征图在与来自解码器网络的相应语义丰富的特征图融合之前逐渐丰富时，模型可以更有效地捕获前景对象的细粒度细节。当来自解码器和编码器网络的特征图在语义上相似时，网络将处理更容易的学习任务。

方法

Pasted image 20230312161436 (a ) UNet + +由编码器和解码器组成，编码器和解码器通过一系列嵌套的密集卷积块连接。UNet + +背后的主要思想是在融合之前弥合编码器和解码器的特征图之间的语义鸿沟。例如，( X0 , 0 , X1 , 3)之间的语义鸿沟通过一个具有3个卷积层的密集卷积块来弥合。在图形摘要中，黑色表示原始U - Net，绿色和蓝色表示跳跃路径上的密集卷积块，红色表示深度监督。红色、绿色和蓝色分量区分了UNet + +和U - Net。( b )详细分析了UNet + +的第一个跳跃路径。( c ) UNet + +如果经过深度监督训练，可以在推理时进行剪枝。
在四个语义层次中的每一个层次都加入了二进制交叉熵和骰子系数的组合作为损失函数：
Pasted image 20230312165822

UNet + +与原始U - Net的不同之处体现在三个方面：1 )在跳跃路径(以绿色显示)上设置卷积层，桥接编码器和解码器特征图之间的语义鸿沟；2 )在跳跃路径(以蓝色显示)上有密集的跳跃连接，改善了梯度流；3 )具有深度监督的，可以实现模型剪枝和改进，或者在最坏的情况下实现与只使用一个损失层相当的性能。