【报告内容】

汇报人：刘玉珠

汇报单位：河海大学

主题：《UNet++: A Nested U-Net Architecture for Medical Image Segmentation》

1、Introduction

2、Method

3、Experiments

4、Conclusion

【报告总结】

1.待解决的问题描述

（1）为了满足医疗图像中更精确分割的需求，有效恢复医学图像中目标对象的细节，人们希望设计出更有效的图像分割架构.

（2）作者在U-Net模型的基础上提出了一种拥有嵌套和密集跳跃连接的新分割架构 UNet++，旨在提高模型对医学图像分割的精度。

2.相关创新方案

UNet++ 在原始的U-Net的的基础上做了以下三点改进

（1）重新设计的跳跃路径，以弥补编码器和解码器子路径之间的语义差别。密集卷积块使编码器特征图的语义水平更接近解码器中等待的特征图。作者的假设是，当接收到的编码器特征图和相应的解码器特征图在语义上相似时，优化器将更容易解决优化问题

（2）密集跳跃连接，目的是提高分割精度和改善梯度流。

（3）深度监督，通过修剪模型来调整模型的复杂性，在速度(推理时间)和性能之间实现平衡。

3.实验总结

（1）作者使用四个医学影像数据集对 UNet++ 进行了评估，包括肺结节分割、结肠息肉分割、细胞核分割和肝脏分割。

（2）实验结果表明，没有深度监督的 UNet++ 比 UNet 和宽 U-Net 都取得了显著的性能提升，IoU 平均分别提高了 2.8 和 3.3 个百分点。

（3）采用深度监督的 UNet++ 比不采用深度监督的 UNet++ 平均提高了 0.6 个百分点。

4.未来工作

本文UNet++应用到了语义分割场景，未来可以将其应用于实例分割场景，即将UNet++ 作为 Mask-RCNN 的骨干架构轻松部署，用本文的嵌套密集跳跃路径替换普通跳跃连接即可。

报告时间：2024年06月14日19:30

腾讯会议：371 3868 6615

点我下载本讨论课相关文献或PPT吧~(提取码：iipr)