摘要

自提出以来，UNet已在多种医学图像分割任务中占据主导地位。尽管已有大量后续研究致力于提升标准UNet的性能，但鲜有工作对其在医学图像分割任务中所学习到的内在特征模式进行深入分析。本文旨在探究UNet所学习到的特征模式，并发现两个可能影响其性能的关键因素：（i）由于非对称监督导致学习到的无关特征；（ii）特征图中存在的特征冗余。为此，我们提出在编码器与解码器之间实现监督平衡，并通过特征蒸馏技术减少UNet中的冗余信息。具体而言，利用包含最多语义信息的特征图（即解码器的最后一层）为其他网络模块提供额外监督，从而实现更有效的监督传播并降低特征冗余。所提出的方法可无缝集成至现有UNet架构中，采用即插即用的方式，且计算开销极低。实验结果表明，该方法在四个医学图像分割数据集上均能持续提升标准UNet的性能。代码已公开，地址为：\url{https://github.com/ChongQingNoSubway/SelfReg-UNet}。