摘要
近年来，基于深度学习的网络在医学图像分割领域取得了最先进的性能。在现有的网络中，U-Net 已成功应用于医学图像分割。本文提出了一种 U-Net 的扩展模型——双向卷积 LSTM U-Net 与密集连接卷积（BCDU-Net），用于医学图像分割。该模型充分利用了 U-Net、双向卷积 LSTM（BConvLSTM）和密集连接卷积机制的优势。与 U-Net 中简单的跳跃连接拼接不同，我们采用 BConvLSTM 以非线性方式结合从相应编码路径和前一个解码上卷积层提取的特征图。为了加强特征传播并鼓励特征重用，我们在编码路径的最后一层卷积中使用了密集连接卷积。最后，通过应用批量归一化（BN），我们可以加速所提出的网络的收敛速度。所提出的模型在三个数据集上进行了评估：视网膜血管分割、皮肤病变分割和肺结节分割，均达到了最先进的性能。
代码仓库
基准测试
| 基准 | 方法 | 指标 |
|---|---|---|
| lesion-segmentation-on-isic-2018 | BCDU-net | mean Dice: 0.847 |
| lesion-segmentation-on-isic-2018 | BCDU-Net (d=3) | F1-Score: 0.851 |
| lung-nodule-segmentation-on-luna | BCDU-Net (d=3) | AUC: 0.9946 F1 score: 0.9904 |
| lung-nodule-segmentation-on-lung-nodule-1 | BCDU-net | Dice Score: 0.994 |
| medical-image-segmentation-on-drive-1 | BCDU-net | F1 score: 0.8222 |
| retinal-vessel-segmentation-on-drive | BCDU-Net (d=3) | AUC: 0.9789 F1 score: 0.8224 |