I 2U-Net: 一种具有丰富信息交互的双路径U-Net用于医学图像分割|文献速递-大模型与多模态诊断阿尔茨海默症与帕金森疾病_i2u-net: a dual-path u-net with rich information i-优快云博客

Title

题目

I 2U-Net: A dual-path U-Net with rich information interaction for medical image segmentation

I 2U-Net: 一种具有丰富信息交互的双路径U-Net用于医学图像分割

文献速递介绍

在计算机视觉领域，医学图像分割是主要的挑战之一，例如皮肤镜图像中的皮肤病变分割（Dai 等，2022），结肠镜图像中的息肉分割（Fan 等，2020），磁共振图像中的脑肿瘤分割（Wang 等，2021），以及腹部CT图像中的多器官分割（Cao 等，2021）。这些分割结果提供了关于解剖区域的有价值信息，便于进行详细分析，并极大地帮助医生描绘损伤、监测疾病进展和评估适当的治疗需求。随着对智能医学图像分析的需求不断增长，精确且稳健的分割方法变得愈发重要。

为了应对这一需求，许多具有编码器-解码器结构的深度学习方法被提出（Ramesh 等，2021）。这些方法通常使用编码器来提取图像特征，并使用解码器将提取的特征恢复到原始图像大小并输出最终的分割结果。作为编码器-解码器网络的代表，U-Net（Ronneberger 等，2015）在许多医学分割任务中证明了其有效性，这启发了系列高效U形分割网络的发展，如Attention U-Net（Oktay 等，2018）、Res-UNet（Xiao 等，2018）和DR-UNet（Li 等，2019）。

Abatract

摘要

Although the U-shape networks have achieved remarkable performances in many medical image segmentationtasks, they rarely model the sequential relationship of hierarchical layers. This weakness makes it difficultfor the current layer to effectively utilize the historical information of the previous layer, leading tounsatisfactory segmentation results for lesions with blurred boundaries and irregular shapes. To solve thisproblem, we propose a novel dual-path U-Net, dubbed I2U-Net. The newly proposed network encourageshistorical information re-usage and re-exploration through rich information interaction among the dual paths,allowing deep layers to learn more comprehensive features that contain both low-level detail description andhigh-level semantic abstraction. Specifically, we introduce a multi-functional information interaction module(MFII), which can model cross-path, cross-layer, and cross-path-and-layer information interactions via a unifieddesign, making the proposed I2U-Net behave similarly to an unfolded RNN and enjoying its advantage ofmodeling time sequence information. Besides, to further selectively and sensitively integrate the informationextracted by the encoder of the dual paths, we propose a holistic information fusion and augmentation module(HIFA), which can efficiently bridge the encoder and the decoder. Extensive experiments on four challengingtasks, including skin lesion, polyp, brain tumor, and abdominal multi-organ segmentation, consistently showthat the proposed I2U-Net has superior performance and generalization ability over other state-of-the-artmethods.

尽管U形网络在许多医学图像分割任务中取得了显著的表现，但它们很少对层次结构的顺序关系进行建模。这一弱点使得当前层难以有效利用前一层的历史信息，导致对于边界模糊和形状不规则的病变的分割结果不理想。为了解决这一问题，我们提出了一种新的双路径U-Net网络，称为I2U-Net。该新提出的网络通过双路径之间的丰富信息交互，鼓励历史信息的再利用和再探索，使得深层能够学习更全面的特征，这些特征既包含低级的细节描述，又包含高级的语义抽象。具体而言，我们引入了一个多功能信息交互模块（MFII），通过统一设计实现跨路径、跨层和跨路径与层的信息交互，使得所提出的I2U-Net表现得类似于展开的循环神经网络（RNN），并享有其在建模时间序列信息方面的优势。此外，为了进一步选择性和敏感地整合双路径编码器提取的信息，我们提出了一个整体信息融合和增强模块（HIFA），该模块能够高效地连接编码器和解码器。在皮肤病变、息肉、脑肿瘤和腹部多器官分割等四个具有挑战性的任务上进行的大量实验表明，所提出的I2U-Net在性能和泛化能力上均优于其他最先进的方法。

Method

方法