UNet++: Eine verschachtelte U-Net-Architektur für die Segmentierung medizinischer Bilder

In dieser Arbeit stellen wir UNet++ vor, eine neue und leistungsfähigere Architektur für die Segmentierung medizinischer Bilder. Unsere Architektur ist im Wesentlichen ein tief überwachter Encoder-Decoder-Netzwerk, bei dem die Encoder- und Decoder-Teilnetze durch eine Reihe verschachtelter, dichter Skip-Pfade verbunden sind. Die neu gestalteten Skip-Pfade zielen darauf ab, den semantischen Abstand zwischen den Feature Maps des Encoders und des Decoders zu verringern. Wir argumentieren, dass der Optimierer eine einfachere Lernaufgabe bewältigen würde, wenn die Feature Maps aus den Decoder- und Encoder-Netzwerken semantisch ähnlich sind. Wir haben UNet++ in mehreren medizinischen Segmentierungsaufgaben im Vergleich zu U-Net und breiten U-Net-Architekturen evaluiert: Nodensegmentierung in niedrig dosierten CT-Bildern der Brust, Kernensegmentierung in Mikroskopiebildern, Lebersegmentierung in abdominellen CT-Bildern sowie Polypensegmentierung in Koloskopie-Videos. Unsere Experimente zeigen, dass UNet++ mit tiefer Überwachung durchschnittlich einen IoU-Gewinn von 3,9 und 3,4 Punkten gegenüber U-Net und breitem U-Net erzielt.