[论文解读] DC-UNet: Rethinking the U-Net Architecture with Dual Channel Efficient CNN for Medical Images Segmentation

Ange Lou, Shuyue Guan+1 more|arXiv (Cornell University)|May 31, 2020

AI in cancer detection被引用 13

一句话总结

本文提出DC-UNet，一种改进的U-Net架构，用双通道高效CNN替代标准编码器-解码器结构，并以残差模块取代跳跃连接，以提升医学图像分割性能。该模型在三个具有挑战性的数据集上相对于经典U-Net分别实现了2.90%、1.49%和11.42%的相对性能提升，表明其在复杂分割任务中具备更高的准确性和鲁棒性。

ABSTRACT

Recently, deep learning has become much more popular in computer vision area. The Convolution Neural Network (CNN) has brought a breakthrough in images segmentation areas, especially, for medical images. In this regard, U-Net is the predominant approach to medical image segmentation task. The U-Net not only performs well in segmenting multimodal medical images generally, but also in some tough cases of them. However, we found that the classical U-Net architecture has limitation in several aspects. Therefore, we applied modifications: 1) designed efficient CNN architecture to replace encoder and decoder, 2) applied residual module to replace skip connection between encoder and decoder to improve based on the-state-of-the-art U-Net model. Following these modifications, we designed a novel architecture--DC-UNet, as a potential successor to the U-Net architecture. We created a new effective CNN architecture and build the DC-UNet based on this CNN. We have evaluated our model on three datasets with tough cases and have obtained a relative improvement in performance of 2.90%, 1.49% and 11.42% respectively compared with classical U-Net. In addition, we used the Tanimoto similarity to replace the Jaccard similarity for gray-to-gray image comparisons.

研究动机与目标

• 解决经典U-Net架构在医学图像分割任务中的局限性。
• 通过用高效CNN重新设计编码器-解码器结构，提升特征表示能力和梯度流动。
• 通过用残差模块替代跳跃连接，增强特征融合能力。
• 在具有复杂解剖结构的挑战性医学图像数据集上评估所提出架构的性能。
• 引入Tanimoto相似性作为灰度图像对比中更有效的分割任务评估指标。

提出的方法

• 设计了一种双通道高效CNN架构，用于替代标准U-Net中的编码器和解码器组件。
• 用残差模块替代编码器与解码器之间的直接跳跃连接，以改善梯度流动和特征学习。
• 采用改进的U-Net主干网络，其中编码器和解码器经过优化，以提升效率和特征提取能力。
• 在灰度医学图像分割任务中，使用Tanimoto相似性替代Jaccard相似性作为性能评估指标。
• 在三个具有多样性的医学图像数据集上进行模型训练与验证，涵盖具有挑战性的分割案例。
• 通过聚焦于参数效率和特征优化的架构改进，对网络结构进行优化。

实验结果

研究问题

• RQ1 与标准U-Net的编码器-解码器相比，双通道高效CNN是否能提升分割精度？
• RQ2 用残差模块替代跳跃连接是否能增强医学图像分割中的特征融合与模型性能？
• RQ3 在灰度医学图像分割任务中，Tanimoto相似性与Jaccard相似性相比，评估效果如何？
• RQ4 所提出的DC-UNet架构在具有挑战性的医学影像数据集上相对于经典U-Net的性能提升程度如何？
• RQ5 是否能在不牺牲分割精度的前提下，提升医学图像任务中的架构效率？

主要发现

• 在第一个数据集上，DC-UNet相对于经典U-Net实现了2.90%的相对性能提升。
• 在第二个数据集上，相对于基线U-Net，观察到1.49%的相对性能提升。
• 在第三个更具挑战性的数据集上，DC-UNet在分割性能上实现了显著的11.42%相对提升。
• 使用Tanimoto相似性作为评估指标，能更有效地衡量分割任务中灰度图像之间的相似性。
• 基于残差模块的跳跃连接改善了特征学习与梯度流动，从而提升了整体性能。
• 双通道高效CNN设计在保持模型效率的同时，增强了特征表示能力。