DoubleU-Net: A Deep Convolutional Neural Network for Medical Image Segmentation 论文翻译

1 Ready

论文：DoubleU-Net: A Deep Convolutional Neural Network for Medical Image Segmentation 论文翻译

论文下载：Arxiv: DoubleU-Net: A Deep Convolutional Neural Network for Medical Image Segmentation

2 为什么做这个研究

​ 人工智能在医学上仍然是一个新兴的领域。医学领域重大挑战之一就是缺乏数据集。此外获得数据集往往是不平衡的。在某种程度上来说，自然成像来说的目前的性能是可以接受的，但是在医学成像中，有许多具有挑战性的图像（例如结肠镜检查中的扁平息肉），这些图像通常在结肠镜检查中被遗漏，如果不进行早期检测，这些图像可能会发展成癌症。 因此，需要一种更精确的医学图像分割方法来处理具有挑战性的图像。 为了解决这一需要，我们提出了双 U-Net 体系结构，该结构产生了具有挑战性的图像的高效输出分割掩码。

3 本文解决什么问题？

​ 该文章提出了一个新的双U-Net 的结构，两个编码器和两个解码器的结构，网络中使用第一个编码器是预训练的VGG-19，Atrous空间金字塔，其余都是重新开始构建的

​ 在多个数据集进行实验，分别是：两个不同的数据集来自结肠镜，一个来自皮肤镜，最后一个是来自显微镜。 与2015年MICCA子挑战的基线算法相比，双 U-Net 在自动息肉检测数据集、CVC-斜纹 DB 数据集、ISIC-2018 的病变边界分割挑战和 2018 年数据科学碗挑战数据集上显示出更好的分割性能

)]

4 怎么做？

​

​ 图 1 显示了我们提出的架构的概述。 从图中可以看出，双U-Net开头是以VGG-19作为编码器的子网络，而后跟随着的是解码器的子网络。U-Net和双U-Net网络不同的是：在第一个网络中有使用了被标记成黄色VGG-19的网络，ASPP网络被标记成蓝色，和编码器网络被标记成绿色。 squeeze-and-excite 网络模块被用在第一个网络的编码器和第一和第二网络的解码器中。 在第一个网络的输出与第二个网络的输入之间执行元素乘法。 双 U-Net的第二网络中的 U-Net 只是使用 ASPP 和squeeze-and-excite 。 所有其他组件保持不变。

​ 在网络 1 中，输入图像被输送到修改后的 U-Net，该 U-Net生成一个预测的mask1（输出 1）。 然后，我们将输入图像和预测的mask(输出1)相乘，后者充当产生另一个网络2的预测的mask2(Output2)的第二个修改后的 U-Net 的输入)。 最后，我们将mask1 和 mask2连接起来，用来查看中间**mask1(Output1)和最终预测mask2(Output2)**之间的定性差异)。

​ 我们假设网络 1 产生的输出特征映射仍然可以通过输入图像及其相应的mask1来改进，并且与 mask2 连接将产生比前一个更好的分割掩码。 这是在所提出的体系结构中使用两个 U-Net 体系结构的主要动机。 所提出的网络中的 squeeze-and-excite 减少了冗余信息，并传递了最相关的信息。 ASPP 一直是现代分割体系结构的一个流行选择，因为它有助于提取高分辨率的特征映射，从而获得优越的性能[18]

5 不足之处

​ 双 U-Net 的一个限制是它使用的参数比 U-Net 更多，这导致了训练时间的增加。 在未来，研究应更多地集中在设计参数较少的简化体系结构，同时保持其能力