SelfReg-UNet: Selbstregulierende UNet für die medizinische Bildsegmentierung

Seit ihrer Einführung hat UNet eine führende Rolle bei einer Vielzahl von Aufgaben der medizinischen Bildsegmentierung gespielt. Obwohl zahlreiche nachfolgende Studien sich ebenfalls der Verbesserung der Leistungsfähigkeit des Standard-UNet widmen, haben nur wenige eine tiefgehende Analyse der zugrundeliegenden Lernmuster von UNet im Kontext der medizinischen Bildsegmentierung durchgeführt. In diesem Artikel untersuchen wir die in einem UNet erlernten Muster und identifizieren zwei wichtige Faktoren, die dessen Leistung potenziell beeinflussen: (i) irrelevant erlernte Merkmale infolge asymmetrischer Supervision; (ii) Merkmalsredundanz innerhalb der Merkmalskarten. Um dies zu adressieren, schlagen wir vor, die Supervision zwischen Encoder und Decoder auszugleichen und die redundante Information im UNet zu reduzieren. Konkret nutzen wir die Merkmalskarte mit dem höchsten semantischen Informationsgehalt (d. h. die letzte Schicht des Decoders), um zusätzliche Supervision für andere Blöcke bereitzustellen und durch Ausnutzung von Merkmals-Distillation die Merkmalsredundanz zu verringern. Die vorgeschlagene Methode lässt sich nahtlos und plug-and-play-artig in bestehende UNet-Architekturen integrieren, wobei der zusätzliche Rechenaufwand vernachlässigbar gering ist. Die experimentellen Ergebnisse zeigen, dass die vorgeschlagene Methode die Leistung des Standard-UNet konsistent auf vier Datensätzen zur medizinischen Bildsegmentierung verbessert. Der Quellcode ist unter \url{https://github.com/ChongQingNoSubway/SelfReg-UNet} verfügbar.