Bi-Directionale ConvLSTM U-Net mit Dicht Verbundenen Faltungen

In den letzten Jahren haben tieflernende Netzwerke (deep learning-based networks) Spitzenleistungen im Bereich der medizinischen Bildsegmentierung erzielt. Unter den existierenden Netzwerken wurde U-Net erfolgreich auf die Segmentierung medizinischer Bilder angewendet. In dieser Arbeit schlagen wir eine Erweiterung von U-Net vor, das Bi-directional ConvLSTM U-Net mit dicht verbundenen Faltungen (BCDU-Net), für die Segmentierung medizinischer Bilder. Dabei nutzen wir die Vorteile von U-Net, bi-directional ConvLSTM (BConvLSTM) und dem Mechanismus dichter Faltungen voll aus. Anstelle einer einfachen Verkettung in der Skip-Verbindung von U-Net verwenden wir BConvLSTM, um die Merkmalskarten, die aus dem entsprechenden Codierpfad und der vorherigen dekodierenden Aufwärtsfaltungsschicht extrahiert wurden, auf nicht-lineare Weise zu kombinieren. Um die Merkmalsausbreitung zu verstärken und die Wiederverwendung von Merkmalen zu fördern, verwenden wir dicht verbundene Faltungen in der letzten Faltungsschicht des Codierpfads. Schließlich können wir durch die Anwendung von Batch Normalisierung (BN) die Konvergenzgeschwindigkeit des vorgeschlagenen Netzwerks beschleunigen. Das vorgeschlagene Modell wird anhand dreier Datensätze evaluiert: zur Segmentierung retinaler Blutgefäße, zur Segmentierung von Hautläsionen und zur Segmentierung von Lungenknoten, wobei es Spitzenleistungen erzielt.