[论文解读] Rethinking the Unpretentious U-net for Medical Ultrasound Image Segmentation

Gongping Chen, Lei Li+2 more|arXiv (Cornell University)|Sep 15, 2022

AI in cancer detection被引用 9

一句话总结

本文提出了一种简单而强大的嵌套U-Net（NU-net）方法，通过在不同深度堆叠多个具有共享权重的U-Net分支，实现超声图像中乳腺肿瘤的精确分割。该方法在不增加计算成本的前提下，提升了对不同肿瘤尺度和形态的鲁棒性，优于三个公开数据集上的12种最先进方法，并在肾超声图像上展现出强大的泛化能力。

ABSTRACT

Breast tumor segmentation is one of the key steps that helps us characterize and localize tumor regions. However, variable tumor morphology, blurred boundary, and similar intensity distributions bring challenges for accurate segmentation of breast tumors. Recently, many U-net variants have been proposed and widely used for breast tumors segmentation. However, these architectures suffer from two limitations: (1) Ignoring the characterize ability of the benchmark networks, and (2) Introducing extra complex operations increases the difficulty of understanding and reproducing the network. To alleviate these challenges, this paper proposes a simple yet powerful nested U-net (NU-net) for accurate segmentation of breast tumors. The key idea is to utilize U-Nets with different depths and shared weights to achieve robust characterization of breast tumors. NU-net mainly has the following advantages: (1) Improving network adaptability and robustness to breast tumors with different scales, (2) This method is easy to reproduce and execute, and (3) The extra operations increase network parameters without significantly increasing computational cost. Extensive experimental results with twelve state-of-the-art segmentation methods on three public breast ultrasound datasets demonstrate that NU-net has more competitive segmentation performance on breast tumors. Furthermore, the robustness of NU-net is further illustrated on the segmentation of renal ultrasound images. The source code is publicly available on https://github.com/CGPzy/NU-net.

研究动机与目标

• 为解决由于形态多变、边界模糊以及强度分布相似导致的超声图像中乳腺肿瘤分割难题。
• 克服现有U-Net变体在泛化能力差和复杂度增加方面的问题，从而影响可复现性。
• 开发一种简单且参数高效的架构，以提升在不同肿瘤尺度和成像条件下的鲁棒性。
• 在不显著增加计算成本或架构复杂度的前提下，提升网络的适应能力。

提出的方法

• NU-net架构通过在不同深度堆叠多个具有共享卷积权重的U-Net分支，以捕捉多尺度特征。
• 每个U-Net分支通过端到端训练共享权重，实现在保持模型简洁的同时实现跨尺度的特征融合。
• 嵌套设计使网络能够从粗到细地学习层次化表征，从而改善边界定位和鲁棒性。
• 该方法避免使用注意力模块或带有可学习权重的跳跃连接等复杂操作，从而提升可复现性和效率。
• 通过转置卷积对不同深度的特征图进行拼接和上采样，以优化分割预测结果。
• 网络采用二元交叉熵损失结合Dice系数优化，以提升分割精度。

实验结果

研究问题

• RQ1 一个简单且采用共享权重的嵌套U-Net架构是否能在乳腺肿瘤分割任务中超越复杂的最先进模型？
• RQ2 通过共享权重堆叠U-Net分支是否能提升对肿瘤形态和尺度变化的鲁棒性？
• RQ3 轻量化架构是否能在不引入显著计算开销的前提下保持高性能？
• RQ4 NU-net在乳腺肿瘤分割之外的其他医学超声任务中是否具有良好的泛化能力？

主要发现

• NU-net在三个公开的乳腺超声图像数据集上达到最先进性能，分割精度优于12种现有方法。
• 得益于多尺度特征学习，该模型对边界模糊和强度多变的肿瘤表现出更优的鲁棒性。
• 尽管参数量有所增加，但由于高效的权重共享和极少的附加操作，计算成本依然保持较低。
• 该方法在肾超声图像分割任务中也表现出良好泛化能力，证实其在不同器官类型间的鲁棒性。
• 源代码已公开，便于在临床和研究流程中轻松复现和集成。