KiU-Net: 生体医科学画像および体積セグメンテーションのための過剰な畳み込みアーキテクチャ

医療画像セグメンテーションのための大多数の手法は、U-Netやその派生モデルを使用しています。これらの「従来の」エンコーダー-デコーダーに基づくアプローチを詳細に分析した結果、小さな構造物の検出性能が低く、境界領域を正確にセグメント化できないことが明らかになりました。この問題は、エンコーダーの深層へ進むにつれて受容野（receptive field）サイズが増加することに起因すると考えられます。高レベル特徴量の学習に過度に焦点を当てるために、U-Netベースのアプローチは小さな構造物を検出するために重要な低レベル特徴量に関する情報を十分に学習できません。この課題を克服するため、我々は入力画像をより高い次元に射影し、ネットワークの深層で受容野が増加することを制約する過剰完備畳み込みアーキテクチャの使用を提案します。我々は新しい画像セグメンテーションアーキテクチャであるKiU-Netを開発しました。KiU-Netには2つのブランチがあります：(1) 細部と入力画像の正確なエッジを捉えることを学ぶ過剰完備畳み込みネットワークKite-Netと (2) 高レベル特徴量を学ぶU-Netです。さらに、3次元画像セグメンテーション用の3D畳み込みアーキテクチャであるKiU-Net 3Dも提案します。我々は5つの異なるデータセット（超音波（US）、磁気共鳴画像（MRI）、コンピュータ断層撮影（CT）、顕微鏡画像、眼底画像など）で実験を行い、KiU-Netについて詳細な研究を行いました。提案手法は最近の方法よりも優れた性能を達成しており、パラメータ数が少なく収束速度が速いという追加的な利点もあります。また、残差ブロックと密集ブロックに基づくKiU-Netの拡張版がさらなる性能向上につながることも示しました。KiU-Netの実装は以下のURLから入手できます：https://github.com/jeya-maria-jose/KiU-Net-pytorch