Réseau U-Net bidirectionnel avec convolutions densément connectées

Ces dernières années, les réseaux basés sur l'apprentissage profond ont atteint des performances de pointe dans le domaine du segmention d'images médicales. Parmi les réseaux existants, U-Net a été appliqué avec succès à la segmentation d'images médicales. Dans cet article, nous proposons une extension de U-Net, le Bi-directional ConvLSTM U-Net avec des convolutions densément connectées (BCDU-Net), pour la segmentation d'images médicales. Nous exploitons pleinement les avantages de U-Net, du bi-directional ConvLSTM (BConvLSTM) et du mécanisme des convolutions densément connectées. Au lieu d'une concaténation simple dans la connexion de saut de U-Net, nous utilisons BConvLSTM pour combiner les cartes de caractéristiques extraites à partir du chemin d'encodage correspondant et de la couche précédente de déconvolution ascendante d'une manière non-linéaire. Pour renforcer la propagation des caractéristiques et encourager leur réutilisation, nous utilisons des convolutions densément connectées dans la dernière couche convolutive du chemin d'encodage. Enfin, nous pouvons accélérer la vitesse de convergence du réseau proposé en utilisant la normalisation par lots (BN). Le modèle proposé est évalué sur trois jeux de données : la segmentation des vaisseaux sanguins rétiniens, la segmentation des lésions cutanées et la segmentation des nodules pulmonaires, obtenant des performances de pointe.