[论文解读] CU-Net: a U-Net architecture for efficient brain-tumor segmentation on BraTS 2019 dataset

Qimin Zhang, Weiwei Qi+2 more|arXiv (Cornell University)|Jun 19, 2024

Brain Tumor Detection and ClassificationNeuroscience被引用 3

一句话总结

该论文提出CU-Net，一种基于U-Net的深度学习架构，专为BraTS 2019 MRI数据集上的脑肿瘤分割而优化。该模型采用对称的U形编码器-解码器结构，结合残差块、批量归一化和跳跃连接，其Dice分数达到82.41%，优于同基准测试中的Swin UNet（81.45%）和TransUNet（82.31%）。

ABSTRACT

Accurately segmenting brain tumors from MRI scans is important for developing effective treatment plans and improving patient outcomes. This study introduces a new implementation of the Columbia-University-Net (CU-Net) architecture for brain tumor segmentation using the BraTS 2019 dataset. The CU-Net model has a symmetrical U-shaped structure and uses convolutional layers, max pooling, and upsampling operations to achieve high-resolution segmentation. Our CU-Net model achieved a Dice score of 82.41%, surpassing two other state-of-the-art models. This improvement in segmentation accuracy highlights the robustness and effectiveness of the model, which helps to accurately delineate tumor boundaries, which is crucial for surgical planning and radiation therapy, and ultimately has the potential to improve patient outcomes.

研究动机与目标

• 开发一种更准确且高效的深度学习模型，用于MRI扫描中的自动脑肿瘤分割。
• 解决人工分割所面临的耗时和观察者间差异性等挑战。
• 提升肿瘤边界勾画的精确度，以支持更优的手术和放疗计划制定。
• 通过改进的U-Net架构在BraTS 2019数据集上实现最先进性能。
• 验证残差学习与跳跃连接在提升医学影像分割精度方面的有效性。

提出的方法

• 该模型采用对称的U形架构，包含编码路径、瓶颈层和解码路径，以实现特征学习与优化。
• 编码路径使用3×3卷积层，结合批量归一化和ReLU激活函数，随后通过2×2最大池化操作下采样特征。
• 跳跃连接将编码路径中的高分辨率特征与解码路径中上采样的特征进行拼接，以保留空间细节。
• 解码路径采用转置卷积（上采样）与3×3卷积层，结合批量归一化和ReLU激活函数，以恢复空间分辨率。
• 通过1×1卷积层并使用Sigmoid激活函数生成最终的二值分割掩膜。
• 模型在BraTS 2019数据集上使用二元交叉熵（BCE）损失进行训练，并通过随机梯度下降进行优化。

Figure 1 : Sample BraTS 2019 images

实验结果

研究问题

• RQ1 在BraTS 2019数据集上，结合残差块与跳跃连接的改进型U-Net架构是否能提升脑肿瘤分割的准确性？
• RQ2 与现有最先进模型（如Swin UNet和TransUNet）相比，所提出的CU-Net模型在Dice分数上的表现如何？
• RQ3 跳跃连接与残差学习在多大程度上提升了特征恢复能力与边界精确度？
• RQ4 批量归一化与ReLU激活函数是否有助于提升医学图像分割中的训练稳定性和分割性能？
• RQ5 该模型在未见测试数据上是否具备良好的泛化能力，同时保持较高的Dice分数？

主要发现

• CU-Net在BraTS 2019测试集上取得了82.41%的Dice分数，优于Swin UNet（81.45%）和TransUNet（82.31%）。
• 该模型在精确勾画肿瘤边界方面表现优异，这对手术和放疗计划制定至关重要。
• 跳跃连接有效实现了编码路径中的高分辨率特征与解码路径中上采样特征的融合。
• 对称的U形架构结合残差块与批量归一化，显著提升了训练稳定性与特征表征能力。
• 模型在保留的测试集上表现出良好的泛化能力，表明其在真实临床应用中具备鲁棒性与可靠性。
• 结果表明，通过引入残差学习与跳跃连接等架构改进，可显著提升U-Net在脑肿瘤MRI分割中的精度。

Figure 2 : CU-Net Architecture