양방향 ConvLSTM U-Net with Densely Connected Convolutions

최근 몇 년간, 딥 러닝 기반 네트워크는 의료 이미지 분할에서 최고 수준의 성능을 달성하였습니다. 기존의 네트워크 중 U-Net은 의료 이미지 분할에 성공적으로 적용되어 왔습니다. 본 논문에서는 U-Net의 확장 모델인 양방향 ConvLSTM U-Net with Densely Connected Convolutions (BCDU-Net)을 제안합니다. 이 모델은 U-Net, 양방향 ConvLSTM (BConvLSTM), 그리고 밀집 연결된 합성곱 메커니즘의 장점을 충분히 활용합니다. U-Net의 스킵 연결에서 단순한 결합 대신, 우리는 BConvLSTM을 사용하여 인코딩 경로와 이전 디코딩 업컨벌루션 층에서 추출된 특징 맵들을 비선형 방식으로 결합합니다. 특징 전파를 강화하고 특징 재사용을 유도하기 위해, 인코딩 경로의 마지막 합성곱 층에서 밀집 연결된 합성곱을 사용합니다. 마지막으로, 배치 정규화(BN)를 사용하여 제안된 네트워크의 수렴 속도를 가속화할 수 있습니다. 제안된 모델은 망막 혈관 분할, 피부 병변 분할, 그리고 폐 결절 분할 데이터셋 세 가지에서 평가되었으며, 최고 수준의 성능을 달성하였습니다.