[论文解读] BUSU-Net: An Ensemble U-Net Framework for Medical Image Segmentation

Wei Hao Khoong|arXiv (Cornell University)|Mar 3, 2020

Retinal Imaging and Analysis参考文献 18被引用 8

一句话总结

本文提出 BUSU-Net，一种集成 U-Net 框架，结合两个深度不等的双向卷积 LSTM 基础 U-Net 分支（左侧分支更深），利用跳跃连接和密集块。该方法在 DRIVE 数据集的视网膜血管分割任务中达到最先进性能，完整版 BUSU-Net 超越近期 SOTA 模型，而轻量化版本（LightBUSU-Net）在敏感性方面表现优异。

ABSTRACT

In recent years, convolutional neural networks (CNNs) have revolutionized medical image analysis. One of the most well-known CNN architectures in semantic segmentation is the U-net, which has achieved much success in several medical image segmentation applications. Also more recently, with the rise of autoML ad advancements in neural architecture search (NAS), methods like NAS-Unet have been proposed for NAS in medical image segmentation. In this paper, with inspiration from LadderNet, U-Net, autoML and NAS, we propose an ensemble deep neural network with an underlying U-Net framework consisting of bi-directional convolutional LSTMs and dense connections, where the first (from left) U-Net-like network is deeper than the second (from left). We show that this ensemble network outperforms recent state-of-the-art networks in several evaluation metrics, and also evaluate a lightweight version of this ensemble network, which also outperforms recent state-of-the-art networks in some evaluation metrics.

研究动机与目标

• 通过设计一种新型集成深度学习框架用于 U-Net 架构，提升医学图像分割的准确性。
• 探究在集成 U-Net 分支中采用非对称深度是否优于对称或单分支网络。
• 开发一种轻量化集成模型，在降低计算成本的同时保持高性能。
• 将自动机器学习（autoML）、神经架构搜索（NAS）和跳跃连接原理整合到统一的分割框架中。
• 证明双向卷积 LSTM 和密集连接在提升医学图像分割特征学习能力方面的有效性。

提出的方法

• 提出一种由两个深度不同的 U-Net 类似分支组成的集成框架：一个更深的左侧分支和一个较浅的右侧分支。
• 在解码路径中使用双向卷积 LSTM（BConvLSTM），以同时建模特征图在前向和后向方向上的序列依赖关系。
• 在编码器和解码器层之间引入密集连接，以促进特征重用并缓解梯度消失问题。
• 采用跳跃连接，将编码器和解码器路径的特征进行拼接，类似于 U-Net，但通过残差连接和批归一化增强稳定性。
• 在每次上采样和 BConvLSTM 层之后应用批归一化，以稳定训练并加速收敛。
• 通过减少模型深度和宽度，同时保留核心架构组件，设计出轻量化版本（LightBUSU-Net），以提升效率。

实验结果

研究问题

• RQ1 在医学图像分割任务中，两个深度不等的 U-Net 分支集成是否优于单个 U-Net 或两个深度相等的分支集成？
• RQ2 将双向卷积 LSTM 和密集连接整合是否能提升基于 U-Net 的分割模型的特征表示能力？
• RQ3 所提出的集成框架是否在 DRIVE 等视网膜血管分割基准上实现最先进性能？
• RQ4 轻量化版本的集成模型是否能在减少参数量和推理成本的同时保持竞争力？
• RQ5 与近期基于 NAS 的模型（如 NAS-Unet 和 S-UNet）相比，该模型在关键评估指标上的表现如何？

主要发现

• BUSU-Net 在 DRIVE 数据集的多数评估指标上优于近期最先进网络，包括 Dice 评分、Jaccard 指数和特异性。
• LightBUSU-Net 在所有评估模型中达到最高敏感性，甚至优于完整版 BUSU-Net 和其他 SOTA 方法。
• 两个深度不等的 U-Net 分支集成显著优于单个 BCDU-Net 或两个深度相等的 BCDU-Nets 集成。
• BUSU-Net 的受试者工作特征曲线下面积（AUC）高于所有对比的 SOTA 模型，表明其整体分割能力更优。
• 轻量化版本 BUSU-Net 展现出强劲性能，尤其在敏感性方面，表明其在资源受限临床环境中的部署潜力。
• 结果验证了在集成 U-Net 框架中采用架构非对称性可提升特征学习能力和泛化性能，优于对称或单分支设计。