
摘要
近年来,深度学习在计算机视觉领域日益受到关注。卷积神经网络(Convolutional Neural Network, CNN)在图像分割任务中取得了突破性进展,尤其是在医学图像分割方面表现突出。在此背景下,U-Net已成为医学图像分割任务中的主流方法。U-Net不仅在常规多模态医学图像分割中表现出色,且在一些复杂场景下也具备良好的适应能力。然而,我们发现经典U-Net架构在多个方面仍存在局限性。为此,我们提出了一系列改进:(1)设计了一种高效的CNN架构,用于替代原有的编码器与解码器;(2)采用残差模块(residual module)替代编码器与解码器之间的跳跃连接(skip connection),以进一步提升模型性能。基于上述改进,我们提出了一种新型网络架构——DC-UNet,有望成为U-Net架构的潜在替代方案。我们构建了一个全新的高效CNN架构,并在此基础上实现了DC-UNet。在三个包含复杂病例的数据集上进行评估,与经典U-Net相比,DC-UNet在性能上分别实现了2.90%、1.49%和11.42%的相对提升。此外,为更准确地衡量灰度图像之间的相似性,我们在评估中采用Tanimoto相似性(Tanimoto similarity)替代传统的Jaccard相似性(Jaccard similarity)。