[论文解读] U-Net Using Stacked Dilated Convolutions for Medical Image Segmentation

Shuhang Wang, Szu-Yeu Hu+11 more|arXiv (Cornell University)|Apr 7, 2020

Advanced Neural Network Applications参考文献 15被引用 30

一句话总结

SDU-Net 是一种在编码器/解码器操作中堆叠膨胀卷积的 U-Net 变体，在大大减少参数的同时实现更好的分割效果，相比若干基线。

ABSTRACT

This paper proposes a novel U-Net variant using stacked dilated convolutions for medical image segmentation (SDU-Net). SDU-Net adopts the architecture of vanilla U-Net with modifications in the encoder and decoder operations (an operation indicates all the processing for feature maps of the same resolution). Unlike vanilla U-Net which incorporates two standard convolutions in each encoder/decoder operation, SDU-Net uses one standard convolution followed by multiple dilated convolutions and concatenates all dilated convolution outputs as input to the next operation. Experiments showed that SDU-Net outperformed vanilla U-Net, attention U-Net (AttU-Net), and recurrent residual U-Net (R2U-Net) in all four tested segmentation tasks while using parameters around 40% of vanilla U-Net's, 17% of AttU-Net's, and 15% of R2U-Net's.

研究动机与目标

• 推动高效、准确的医学图像分割。
• 改造 U-Net 架构以融入堆叠的膨胀卷积。
• 在保持或提升分割质量的同时减小模型规模。
• 在多个任务中将 SDU-Net 与 vanilla U-Net、AttU-Net 和 R2U-Net 进行比较。

提出的方法

• 保持 U-Net 结构，但修改编码器/解码器操作，使其先使用一个标准卷积再跟随多个膨胀卷积。
• 将所有膨胀卷积的输出连接起来，作为输入喂给下一步操作。
• 在四个分割任务上对 SDU-Net 与基线网络进行评估。
• 分析相较基线模型的参数数量。
• 报告性能提升和参数效率。

实验结果

研究问题

• RQ1 在 SDU-Net 中堆叠的膨胀卷积是否能提高相对于 vanilla U-Net 及其他变体的分割性能？
• RQ2 SDU-Net 是否能在显著更少的参数下实现可比或更高的精度？
• RQ3 与 AttU-Net 和 R2U-Net 相比，SDU-Net 在多个人工医学图像分割任务中的表现如何？

主要发现

• 在全部四个测试的分割任务中，SDU-Net 的表现优于 vanilla U-Net、AttU-Net 和 R2U-Net。
• SDU-Net 的参数量约为 vanilla U-Net 的 40%、为 AttU-Net 的 17%、为 R2U-Net 的 15%。
• 该架构在实现分割质量不下降的前提下提高了评估任务中的效率。