[论文解读] KiU-Net: Towards Accurate Segmentation of Biomedical Images using Over-complete Representations

Jeya Maria Jose, Vishwanath A. Sindagi+2 more|arXiv (Cornell University)|Jun 8, 2020

Advanced Neural Network Applications参考文献 25被引用 15

一句话总结

本文提出KiU-Net，一种新型U-Net变体，通过在编码器路径中采用空间上采样实现过完备表征，从而提升生物医学图像分割性能，实现对细微特征的更优捕捉。与标准U-Net相比，该方法在早产新生儿超声数据上的DICE分数（75.17%）和Jaccard指数（60.37%）提升4%，同时减少参数量并加快收敛速度。

ABSTRACT

Due to its excellent performance, U-Net is the most widely used backbone architecture for biomedical image segmentation in the recent years. However, in our studies, we observe that there is a considerable performance drop in the case of detecting smaller anatomical landmarks with blurred noisy boundaries. We analyze this issue in detail, and address it by proposing an over-complete architecture (Ki-Net) which involves projecting the data onto higher dimensions (in the spatial sense). This network, when augmented with U-Net, results in significant improvements in the case of segmenting small anatomical landmarks and blurred noisy boundaries while obtaining better overall performance. Furthermore, the proposed network has additional benefits like faster convergence and fewer number of parameters. We evaluate the proposed method on the task of brain anatomy segmentation from 2D Ultrasound (US) of preterm neonates, and achieve an improvement of around 4% in terms of the DICE accuracy and Jaccard index as compared to the standard-U-Net, while outperforming the recent best methods by 2%. Code: https://github.com/jeya-maria-jose/KiU-Net-pytorch .

研究动机与目标

• 解决标准U-Net在分割噪声超声图像中微小解剖结构和模糊边界时的局限性。
• 克服U-Net固有的欠完备性，该特性会降低空间分辨率并限制细粒度特征学习。
• 探索深度学习中过完备表征在医学图像分割中的应用，该领域尚属未充分探索。
• 在不增加模型复杂度的前提下，提升关键新生儿脑部结构（如侧脑室和透明隔）的分割精度。
• 在保持或提升性能的同时，实现更快收敛速度和更少参数量，适用于具有挑战性的超声数据。

提出的方法

• 引入Ki-Net，一种过完备编码器分支，在下采样前对特征图进行空间上采样，以保留高分辨率空间信息。
• 将Ki-Net作为与标准U-Net编码器并行的分支，通过跳跃连接在多尺度实现特征融合。
• 在Ki-Net编码器路径中使用转置卷积（反卷积）将特征映射到更高维的空间表征。
• 保持U-Net风格的解码器路径用于分割，同时从Ki-Net和U-Net分支获取跳跃连接，以增强特征精炼。
• 使用二元交叉熵损失和Dice损失，在早产新生儿的2D超声图像上端到端训练KiU-Net模型。
• 利用过完备特征带来的更大感受野灵活性，以更好地捕捉微小结构和边缘细节。

实验结果

研究问题

• RQ1 过完备表征是否能改善噪声超声图像中微小且定义不清的解剖结构的分割？
• RQ2 在编码器路径中进行空间上采样是否相比标准欠完备U-Net能提升细粒度分割的特征表征？
• RQ3 KiU-Net是否能在参数更少、收敛更快的前提下，实现优于标准U-Net和当前最先进方法的性能？
• RQ4 Ki-Net与U-Net的集成如何影响模型对图像伪影（如阴影和低对比度边界）的鲁棒性？
• RQ5 过完备架构在具有挑战性的临床数据（如早产新生儿脑部超声）上的泛化能力提升程度如何？

主要发现

• KiU-Net在RITE数据集上达到75.17%的DICE分数，相比标准U-Net（55.24%）提升4%。
• KiU-Net的Jaccard指数达到60.37%，显著高于U-Net的31.11%，表明与真实标签的重叠程度更优。
• KiU-Net在DICE精度上比近期最先进方法高出2%，证实其在具有挑战性的新生儿超声数据上的有效性。
• 尽管性能提升，KiU-Net的收敛速度更快且参数量更少，优于标准U-Net。
• 定性结果表明，KiU-Net能更优地捕捉微小结构和模糊边界，尤其在侧脑室和透明隔的放大图像区域表现更佳。
• 消融实验确认，过完备的Ki-Net分支对性能提升至关重要，尤其在细粒度分割任务中。