Fugu-MT 論文翻訳(概要): R2U++: A Multiscale Recurrent Residual U-Net with Dense Skip Connections for Medical Image Segmentation

論文の概要: R2U++: A Multiscale Recurrent Residual U-Net with Dense Skip Connections for Medical Image Segmentation

arxiv url: http://arxiv.org/abs/2206.01793v1
Date: Fri, 3 Jun 2022 19:42:44 GMT
ステータス: 処理完了
システム内更新日: 2022-06-12 17:14:29.364289
Title: R2U++: A Multiscale Recurrent Residual U-Net with Dense Skip Connections for Medical Image Segmentation
Title（参考訳）: R2U++:医療画像セグメンテーションのためのDense Skip Connection付きマルチスケールリカレント残差U-Net
Authors: Mehreen Mubashar, Hazrat Ali, Christer Gronlund, Shoaib Azmat
Abstract要約: 本稿では,新しいU-Netベースの医用画像セグメンテーションアーキテクチャR2U++を提案する。提案したアーキテクチャでは, 単純な畳み込みバックボーンを, より深い再帰的な畳み込みブロックに置き換える。エンコーダとデコーダのセマンティックギャップは、濃密なスキップ経路によって減少する。
参考スコア（独自算出の注目度）: 0.5735035463793008
License: http://creativecommons.org/licenses/by-sa/4.0/
Abstract: U-Net is a widely adopted neural network in the domain of medical image segmentation. Despite its quick embracement by the medical imaging community, its performance suffers on complicated datasets. The problem can be ascribed to its simple feature extracting blocks: encoder/decoder, and the semantic gap between encoder and decoder. Variants of U-Net (such as R2U-Net) have been proposed to address the problem of simple feature extracting blocks by making the network deeper, but it does not deal with the semantic gap problem. On the other hand, another variant UNET++ deals with the semantic gap problem by introducing dense skip connections but has simple feature extraction blocks. To overcome these issues, we propose a new U-Net based medical image segmentation architecture R2U++. In the proposed architecture, the adapted changes from vanilla U-Net are: (1) the plain convolutional backbone is replaced by a deeper recurrent residual convolution block. The increased field of view with these blocks aids in extracting crucial features for segmentation which is proven by improvement in the overall performance of the network. (2) The semantic gap between encoder and decoder is reduced by dense skip pathways. These pathways accumulate features coming from multiple scales and apply concatenation accordingly. The modified architecture has embedded multi-depth models, and an ensemble of outputs taken from varying depths improves the performance on foreground objects appearing at various scales in the images. The performance of R2U++ is evaluated on four distinct medical imaging modalities: electron microscopy (EM), X-rays, fundus, and computed tomography (CT). The average gain achieved in IoU score is 1.5+-0.37% and in dice score is 0.9+-0.33% over UNET++, whereas, 4.21+-2.72 in IoU and 3.47+-1.89 in dice score over R2U-Net across different medical imaging segmentation datasets.
Abstract（参考訳）: U-Netは医療画像セグメンテーションの分野で広く採用されているニューラルネットワークである。医療画像コミュニティから素早く受け入れられたものの、そのパフォーマンスは複雑なデータセットに悩まされている。この問題は、エンコーダ/デコーダという単純な特徴抽出ブロックと、エンコーダとデコーダのセマンティックギャップによって説明できる。 U-Netの変数(R2U-Netなど)は、ネットワークをより深くすることで単純な特徴抽出ブロックの問題に対処するために提案されているが、意味的ギャップの問題には対処しない。一方、UNET++の別の変種は、深いスキップ接続を導入することでセマンティックギャップの問題に対処するが、単純な特徴抽出ブロックがある。これらの問題を解決するために,U-Netベースの医用画像セグメンテーションアーキテクチャR2U++を提案する。提案したアーキテクチャでは,バニラU-Netからの適応的な変更は,(1)平らな畳み込みバックボーンはより深い再帰的な畳み込みブロックに置き換えられる。これらのブロックによる視野の増大は、ネットワーク全体の性能の向上によって証明されたセグメンテーションの重要な特徴の抽出に役立つ。 2) エンコーダとデコーダのセマンティックギャップは, 濃密なスキップ経路によって減少する。これらの経路は複数のスケールから来る特徴を蓄積し、それに応じて結合を適用する。修正されたアーキテクチャは多深度モデルが組み込まれており、様々な深さから得られた出力のアンサンブルにより、画像の様々なスケールに現れる前景オブジェクトのパフォーマンスが向上する。 R2U++の性能は、電子顕微鏡(EM)、X線、眼底、CT(CT)の4つの異なる医用画像で評価される。 IoUスコアの平均利得は1.5+-0.37%、ダイススコアは0.9+-0.33%、IoUスコアは4.21+-2.72、R2U-Netスコアは3.47+-1.89である。

論文の概要: R2U++: A Multiscale Recurrent Residual U-Net with Dense Skip Connections for Medical Image Segmentation

関連論文リスト