HyperDense-Net: 多モーダル画像セグメンテーションのための超密結合CNN

最近、コンピュータビジョン分野において、密結合が勾配の流れと訓練中の暗黙的な深層監督を促進するため、大きな注目を集めています。特に、各層を順方向に他のすべての層と接続するDenseNetは、自然画像分類タスクで優れた性能を示しています。本研究では、HyperDenseNetという3次元完全畳み込みニューラルネットワークを提案します。このネットワークは、密結合の定義を多モダリティ分割問題に拡張します。各イメージングモダリティには独自のパスがあり、密結合は同じパス内の層間だけでなく、異なるパス間でも発生します。これは既存の多モダリティCNNアプローチとは対照的であり、複数のモダリティのモデリングは通常、ネットワークの入力または出力で単一の結合層（または抽象化レベル）に完全に依存しています。したがって、提案されたネットワークはすべての抽象化レベル内でより複雑な組み合わせを学習する自由度を持ち、学習表現が大幅に向上します。iSEG 2017とMRBrainS 2013という2つの異なる多モダリティ脳組織分割チャレンジで広範な評価を行いました。前者は6ヶ月児童データに焦点を当てており、後者は成人画像です。HyperDenseNetは多くの最先端セグメンテーションネットワークに対して有意な改善をもたらし、両方のベンチマークでトップクラスの結果を達成しました。さらに、特徴再利用に関する包括的な実験分析を行い、超密結合が多モダリティ表現学習における重要性を確認しました。当該コードは公開されており、https://www.github.com/josedolz/HyperDenseNet からダウンロードできます。