[论文解读] MDU-Net: Multi-scale Densely Connected U-Net for biomedical image segmentation

Jiawei Zhang, Yuzhen Jin+3 more|arXiv (Cornell University)|Dec 2, 2018

AI in cancer detection参考文献 62被引用 73

一句话总结

MDU-Net 在 U-Net 的基础上扩展了三种多尺度密集连接（编码器、解码器和跨块），以融合多尺度特征，从而实现更深的网络并在 GlaS 数据集上改进腺体分割；量化进一步降低过拟合并保持或提升准确性。

ABSTRACT

Biomedical image segmentation plays a central role in quantitative analysis, clinical diagnosis, and medical intervention. In the light of the fully convolutional networks (FCN) and U-Net, deep convolutional networks (DNNs) have made significant contributions to biomedical image segmentation applications. In this paper, we propose three different multi-scale dense connections (MDC) for the encoder, the decoder of U-shaped architectures, and across them. Based on three dense connections, we propose a multi-scale densely connected U-Net (MDU-Net) for biomedical image segmentation. MDU-Net directly fuses the neighboring feature maps with different scales from both higher layers and lower layers to strengthen feature propagation in the current layer. Multi-scale dense connections, which contain shorter connections between layers close to the input and output, also make a much deeper U-Net possible. Besides, we introduce quantization to alleviate the potential overfitting in dense connections, and further improve the segmentation performance. We evaluate our proposed model on the MICCAI 2015 Gland Segmentation (GlaS) dataset. The three MDC improve U-Net performance by up to 1.8% on test A and 3.5% on test B in the MICCAI Gland dataset. Meanwhile, the MDU-Net with quantization obviously improves the segmentation performance of original U-Net.

研究动机与目标

• 通过在 U-Net 中通过多尺度密集连接增强信息流来推动生物医学图像分割的改进。
• 提出三种密集连接模式（编码器、解码器、跨连接）以跨尺度融合高层和低层特征。
• 结合网络量化以降低过拟合，同时保持分割精度。
• 在 MICCAI 2015 GlaS 腺体分割数据集上进行评估，以量化相对于标准 U-Net 的增益。

提出的方法

• 引入三个多尺度密集连接块：密集编码器、密集解码器，以及密集跨连接。
• 通过下采样和上采样到相同分辨率后再拼接，来跨邻近尺度融合特征图。
• 采用 1x1 卷积来控制通道数并维持较小的参数开销。
• 评估不同配置（Min/Mout、上/下跨连接）以研究密集连接的影响。
• 对参数权重应用 Incremental Quantization (INQ) 以降低过拟合并在部分量化下评估性能。

实验结果

研究问题

• RQ1 将多尺度密集连接整合到编码器、解码器和跨块是否会提高相对于标准 U-Net 的分割精度？
• RQ2 哪一种密集连接模式（编码器、解码器、跨连接）能带来最佳表现？它们的组合如何影响准确性与过拟合？
• RQ3 量化是否能够在密集连接的 U-Net 中进一步缓解过拟合，同时不牺牲生物医学分割任务的准确性？
• RQ4 与 U-Net 及相关架构相比，所提出的方法在标准腺体分割基准（GlaS）上的表现如何？

主要发现

• 三种多尺度密集连接在联合使用时提升了分割性能，Test A 的平均 Dice 提升至多达 3%，Test B 提升至多达 4.1%。
• 单独地，密集编码器、密集解码器和密集跨块在评估指标和数据分割上均表现出对 U-Net 的增益。
• 三种密集连接的组合在 Test A 的平均结果最好，与 U-Net 相比可实现最高 3%/4.1% 的提升。
• 通过 Incremental Quantization (INQ) 的量化有助于降低过拟合，并能保持或提高 Dice 分数，半量化配置显示出有竞争力的性能（如 Test B 的提升）。
• 所提出的 MDU-Net 相对于 U-Net 维持了适度的参数增加，同时提供了改进的分割精度，表明它可作为生物医学 U 形分割的鲁棒主干网络。