SelfReg-UNet: UNet ذاتية الت régularization للتقسيم الصوري للصور الطبية

منذ تقديمه، احتل نموذج UNet مكانة رائدة في مجموعة متنوعة من مهام التجزئة الصورية الطبية. وعلى الرغم من أن العديد من الدراسات اللاحقة قد تم dedicating لتحسين أداء النموذج القياسي UNet، إلا أن عددًا قليلاً منها أجرى تحليلات متعمقة لنمط الفهم الأساسي المُتعلّم من قبل UNet في مهام التجزئة الصورية الطبية. في هذه الورقة، نستكشف الأنماط التي يتعلمها نموذج UNet، ونلاحظ عاملين مهمين قد يؤثرا على أدائه: (أ) التعلم غير المتعلق بالسياق (irrelative feature) الناتج عن المراقبة غير المتماثلة (asymmetric supervision)؛ (ب) التكرار المعرفي (feature redundancy) في خريطة الميزات (feature map). وللتعامل مع هذه المشكلات، نقترح موازنة عملية المراقبة بين الجزء المشفر (encoder) والجزء المعكوس (decoder)، وتقليل المعلومات الزائدة داخل نموذج UNet. وبشكل محدد، نستخدم خريطة الميزات التي تحتوي على أكبر كمية من المعلومات السياقية (أي الطبقة الأخيرة من الجزء المعكوس) لتوفير مراقبة إضافية للوحدات الأخرى، وتقليل التكرار المعرفي من خلال استخدام تقنية تحوير الميزات (feature distillation). يمكن دمج الطريقة المقترحة بسهولة في البنية الحالية لنموذج UNet بطريقة "تُركب وتعمل" (plug-and-play) دون تكاليف حسابية ملحوظة. وتشير النتائج التجريبية إلى أن الطريقة المقترحة تحسّن بشكل مستمر أداء النماذج القياسية UNet على أربع مجموعات بيانات لتجزئة الصور الطبية. يمكن الوصول إلى الكود عبر الرابط: \url{https://github.com/ChongQingNoSubway/SelfReg-UNet}