摘要
U-Net 在许多医学图像分割问题中提供了最先进的性能。针对 U-Net 提出了多种改进方法，例如注意力 U-Net（Attention U-Net）、递归残差卷积 U-Net（R2-UNet）以及带有残差块或密集连接块的 U-Net。然而，所有这些改进方法都具有编码器-解码器结构和跳跃连接，信息流路径的数量有限。在本文中，我们提出了一种称为 LadderNet 的新架构，可以将其视为多个 U-Net 的链式组合。与 U-Net 只有一对编码分支和解码分支不同，LadderNet 具有多对编码器-解码器分支，并且在每个层级的每对相邻解码分支之间都有跳跃连接。受到 ResNet 和 R2-UNet 成功的启发，我们在 LadderNet 中使用了修改后的残差块，其中同一块内的两个卷积层共享相同的权重。由于跳跃连接和残差块的存在，LadderNet 拥有更多的信息流路径，并可以被视为全卷积网络（FCN）的集成模型。这种等效于 FCN 集成模型的方式提高了分割精度，而每个残差块内部共享权重则减少了参数数量。语义分割对于视网膜疾病检测至关重要。我们在两个用于视网膜图像血管分割的标准数据集上测试了 LadderNet，并取得了优于现有文献中方法的性能。该实现代码已提供在 \url{https://github.com/juntang-zhuang/LadderNet} 上。