摘要

大多数医学图像分割方法都使用U-Net或其变体，因为这些方法在大多数应用中取得了成功。通过对这些“传统”基于编码器-解码器的方法进行详细分析，我们发现它们在检测较小结构方面表现不佳，并且无法精确分割边界区域。这一问题可以归因于随着网络深入编码器，感受野大小的增加。对高层次特征学习的额外关注导致了基于U-Net的方法在低层次特征的学习上获取的信息较少，而低层次特征对于检测小结构至关重要。为了解决这一问题，我们提出使用一种过完备卷积架构，通过将输入图像投影到更高维度来限制网络深层中的感受野增大。我们设计了一种新的图像分割架构——KiU-Net，该架构包含两个分支：（1）一个过完备卷积网络Kite-Net，用于学习捕捉输入图像的精细细节和准确边缘；（2）U-Net，用于学习高层次特征。此外，我们还提出了KiU-Net 3D，这是一种用于体积分割的三维卷积架构。我们在五个不同的数据集上进行了详细的实验研究，涵盖了各种成像模态，如超声（US）、磁共振成像（MRI）、计算机断层扫描（CT）、显微镜和眼底图像。实验结果表明，所提出的方法相比所有近期方法表现出更好的性能，并且具有参数更少和收敛更快的优势。此外，我们还展示了基于残差块和密集块的KiU-Net扩展版本进一步提高了性能。KiU-Net的实现代码可以在以下链接找到：https://github.com/jeya-maria-jose/KiU-Net-pytorch