[论文解读] Densely Connected Recurrent Residual (Dense R2UNet) Convolutional Neural Network for Segmentation of Lung CT Images

Kaushik Dutta|arXiv (Cornell University)|Feb 1, 2021

COVID-19 diagnosis using AI参考文献 25被引用 6

一句话总结

本文提出Dense R2UNet，一种新型的基于U-Net的架构，通过整合循环残差单元和密集连接，以增强肺部CT图像分割中的特征传播。通过结合残差学习、循环卷积和密集连接，该模型在Lung Lesion数据集上实现了最先进性能，各项指标均优于U-Net和ResUNet，Dice相似系数达到0.981 ± 0.009。

ABSTRACT

Deep Learning networks have established themselves as providing state of art performance for semantic segmentation. These techniques are widely applied specifically to medical detection, segmentation and classification. The advent of the U-Net based architecture has become particularly popular for this application. In this paper we present the Dense Recurrent Residual Convolutional Neural Network(Dense R2U CNN) which is a synthesis of Recurrent CNN, Residual Network and Dense Convolutional Network based on the U-Net model architecture. The residual unit helps training deeper network, while the dense recurrent layers enhances feature propagation needed for segmentation. The proposed model tested on the benchmark Lung Lesion dataset showed better performance on segmentation tasks than its equivalent models.

研究动机与目标

• 为解决肺部CT图像分割中注释数据有限和类别不平衡的问题。
• 改进基于U-Net架构的特征学习与信息流，以提升分割精度。
• 开发更深、更稳定的网络，在参数增加极少的情况下保持高性能。
• 评估残差学习、循环卷积与密集连接在医学图像分割中结合使用的有效性。

提出的方法

• 模型采用U-Net编码器-解码器架构，并在其中引入残差块以稳定深层网络的训练过程。
• 在每个编码器和解码器模块中应用循环残差单元，实现在循环过程中的时间步间特征复用。
• 通过密集连接将相同特征图尺寸的所有层相互连接，以促进最大化的特征传播与梯度流动。
• 编码器使用2×2最大池化层，解码器使用3×3转置卷积层，以实现多尺度特征提取。
• 每个卷积层后应用ReLU激活函数，最终输出采用Sigmoid函数进行分割概率预测。
• 为防止因数据集较小导致的过拟合，应用空间丢弃正则化；损失函数采用二元交叉熵，评估指标为Dice系数。

实验结果

研究问题

• RQ1 与标准U-Net相比，循环残差单元与密集连接的结合是否能提升肺部CT图像的分割性能？
• RQ2 所提出的Dense R2UNet架构是否在特征学习与梯度流动方面优于现有U-Net变体？
• RQ3 在基准肺部分割数据集上，该模型在Dice分数、精确率、召回率与AUC方面的表现如何？
• RQ4 在使用深度架构时，空间丢弃在小样本医学图像数据集中在多大程度上能缓解过拟合？

主要发现

• Dense R2UNet的Dice相似系数（DSC）达到0.981 ± 0.009，显著优于U-Net（0.976 ± 0.009）和ResUNet（0.977 ± 0.007）。
• 模型的Jaccard分数为0.961 ± 0.016，表明预测掩码与真实掩码之间重叠程度高。
• 精确率达到0.982 ± 0.009，召回率达到0.988 ± 0.018，表明在识别真正阳性与阴性区域方面具有高准确性。
• 灵敏度（召回率）与特异性均高于0.98，分别为0.994 ± 0.002与0.988 ± 0.018，证实对肺部结构具有鲁棒的检测能力。
• AUC达到0.989 ± 0.008，表明在所有阈值下均具有优异的判别性能。
• 图3的定性结果表明，Dense R2UNet生成的分割结果与真实标签高度吻合，边界误差极小。