论文解析[4] UNET 3+: A FULL-SCALE CONNECTED UNET FOR MEDICAL IMAGE SEGMENTATION

发表年份：2020
论文地址：https://arxiv.org/abs/2004.08790
代码地址：https://github.com/ZJUGiveLab/UNet-Version

摘要

提出了UNet3+模型，利用的是全尺度的跳跃连接和深度监督

• 全尺度的跳跃连接包含了低水平的细节和高水平的语义
• 深度监督从全尺度的特征图上学习了分层表示
• 除了准确率的提升，还减少了网络参数来提升计算效率

作者进一步提出了一个混合损失函数和一个分类引导模块，来增强图像的边界和减少对于非器官图像的过度分割。

2 方法

图1是三种网络简要的概述，对比于UNet和UNet++，UNet3+通过重新设计的跳跃连接结合了多尺度特征，也使用了一个全尺度的深度监督，这提供了更少的参数，但产生了更准确的位置感知和边界增强分割图。

2.1 全尺度跳跃连接

全尺度跳跃连接改变了编码器和解码器之间的相互连接，也改变了编码器子网络之间的内部连接。带有普通连接的UNet和带有嵌套和稠密连接的UNet++，在获取足够的全尺度信息上存在不足，不能广泛的学习器官的位置和边界信息。为了弥补它们的缺点，UNet3+的每一个解码器层都接收来自于编码器的更小尺度和相同尺度的特征图，还有来自于解码器的更大尺度的特征图。这些特征图捕获了全尺度的细粒度细节和粗粒度语义。

图2说明了如何创建 $X_{De}^3$ 的特征图。类似于UNet，来自于同尺度编码器层 $X_{En}^3$ 的特征图是直接在解码器中获得的。与UNet相反，一套编码器-解码器间的inter-connection传送来自于更小尺度编码器层 $X$