[论文解读] LadderNet: Multi-path networks based on U-Net for medical image segmentation

Juntang Zhuang|arXiv (Cornell University)|Oct 17, 2018

Retinal Imaging and Analysis参考文献 15被引用 222

一句话总结

LadderNet 将 U-Net 扩展为具有共享权重残差块的多分支链，形成一个 FCN 集合以提高视网膜血管分割的性能。它在 DRIVE 和 CHASE_DB1 数据集上实现了最优指标。

ABSTRACT

U-Net has been providing state-of-the-art performance in many medical image segmentation problems. Many modifications have been proposed for U-Net, such as attention U-Net, recurrent residual convolutional U-Net (R2-UNet), and U-Net with residual blocks or blocks with dense connections. However, all these modifications have an encoder-decoder structure with skip connections, and the number of paths for information flow is limited. We propose LadderNet in this paper, which can be viewed as a chain of multiple U-Nets. Instead of only one pair of encoder branch and decoder branch in U-Net, a LadderNet has multiple pairs of encoder-decoder branches, and has skip connections between every pair of adjacent decoder and decoder branches in each level. Inspired by the success of ResNet and R2-UNet, we use modified residual blocks where two convolutional layers in one block share the same weights. A LadderNet has more paths for information flow because of skip connections and residual blocks, and can be viewed as an ensemble of Fully Convolutional Networks (FCN). The equivalence to an ensemble of FCNs improves segmentation accuracy, while the shared weights within each residual block reduce parameter number. Semantic segmentation is essential for retinal disease detection. We tested LadderNet on two benchmark datasets for blood vessel segmentation in retinal images, and achieved superior performance over methods in the literature. The implementation is provided \url{https://github.com/juntang-zhuang/LadderNet}

研究动机与目标

• 提升信息在类似 U-Net 的结构中的流动，超越标准编码器-解码器跳跃连接。
• 引入 LadderNet，一条由跳跃连接相邻分支组成的多 U-Net 链。
• 通过共享权重残差块减少参数，同时实现多信息流路径。
• 在视网膜血管数据集上的分割性能优于现有方法。

提出的方法

• 提出 LadderNet 作为一个多分支网络，形成一条带有相邻解码分支之间跳跃连接的 U-Nets 链。
• 使用步幅为 2 的卷积以获得更大的感受野，使用步幅为 2 的转置卷积来传播特征。
• 在每一层跨越后续列时将通道数量翻倍。
• 实现共享权重残差块，其中两个卷积共享相同权重，并在它们之间插入 Dropout。
• 将 LadderNet 视为一个 FCN 集合，因为存在多条信息流路径，同时通过权重共享降低参数量。

实验结果

研究问题

• RQ1 LadderNet 是否能通过增加传统 U-Net 架构之外的信息流路径来提升语义分割性能？
• RQ2 共享权重残差块设计在降低参数的同时是否能保持或提升准确性？
• RQ3 相较于 DRIVE 和 CHASE_DB1 上现有的 U-Net 变体，LadderNet 在视网膜血管分割上有何表现？
• RQ4 LadderNet 是否有效地成为一个 FCN 集合，这是否转化为更高的 AUC 和 F1 分数？

主要发现

• LadderNet 在 DRIVE 和 CHASE_DB1 上的 F1-score、AC 与 AUC 均为同类方法中的最高。
• 在 DRIVE 上，LadderNet 的 F1-score 为 0.8202，SE 为 0.7856，SP 为 0.9810，AC 为 0.9561，AUC 为 0.9793。
• 在 CHASE_DB1 上，LadderNet 的 F1-score 为 0.8031，SE 为 0.7978，SP 为 0.9818，AC 为 0.9656，AUC 为 0.9839。
• LadderNet 的 ROC 与 PR 曲线显示在两个数据集上均具有顶级性能，AUC 均高于 0.97，PR AUC 高于 0.88。
• 共享权重残差块在保持或提升分割性能的同时降低了参数数量。