再帰的な残差畳み込みニューラルネットワークを用いたU-Netに基づく医療画像セグメンテーション（R2U-Net）

深層学習（DL）を基にした意味分割手法は、最近数年間で最先端の性能を提供してきました。特に、これらの技術は医療画像の分類、分割、検出タスクに成功裏に適用されています。本論文では、U-Netを基にした再帰的畳み込みニューラルネットワーク（RCNN）と、U-Netモデルを基にした再帰的残差畳み込みニューラルネットワーク（RRCNN）を提案します。これらはそれぞれRU-NetおよびR2U-Netと命名されています。提案されたモデルは、U-Net、残差ネットワーク（Residual Network）、およびRCNNの力を活用しています。これらの提案アーキテクチャには分割タスクにおいていくつかの利点があります。第一に、残差ユニットは深層アーキテクチャの学習時に役立ちます。第二に、再帰的な残差畳み込み層による特徴量蓄積は分割タスクにおけるより良い特徴表現を確保します。第三に、同じ数のネットワークパラメータを持つより優れたU-Netアーキテクチャを設計することが可能になりますが、これは医療画像分割においてより高い性能を達成します。提案されたモデルは、網膜画像中の血管分割、皮膚がん分割、肺病変分割などの3つのベンチマークデータセットでテストされました。実験結果は、U-Netや残差U-Net（ResU-Net）などの同等のモデルと比較して分割タスクにおいて優れた性能を示しています。