PL-Net: Progressive Learning Network for Medical Image Segmentation

要約

近年、深層畳み込みニューラル ネットワーク (CNN) に基づくセグメンテーション手法は、多くの医療分析タスクで最先端の成果を上げています。
ただし、これらのアプローチのほとんどは、構造を最適化するか、U-Net の新しい機能モジュールを追加することでパフォーマンスを向上させますが、粗粒度と細粒度のセマンティック情報の補完と融合は無視されます。
上記の問題を解決するために、内部漸進的学習 (IPL) と外部漸進的学習 (EPL) を含む、漸進的学習ネットワーク (PL-Net) と呼ばれる医用画像セグメンテーション フレームワークを提案します。
PL-Net には次の利点があります。(1) IPL は特徴抽出を 2 つの「ステップ」に分割します。これにより、異なるサイズの受容野を混合し、追加のパラメーターを導入することなく、粗い粒度から細かい粒度までセマンティック情報を取得できます。
(2) EPLは、トレーニングプロセスを2つの「段階」に分割してパラメータを最適化し、前段階の粗粒度情報と後段階の細粒度情報の融合を実現します。
さまざまな医用画像分析タスクでこの方法を評価し、結果は、PL-Net のセグメンテーション パフォーマンスが U-Net とそのバリアントの最先端の方法よりも優れていることを示しています。

要約(オリジナル)

In recent years, segmentation methods based on deep convolutional neural networks (CNNs) have made state-of-the-art achievements for many medical analysis tasks. However, most of these approaches improve performance by optimizing the structure or adding new functional modules of the U-Net, which ignoring the complementation and fusion of the coarse-grained and fine-grained semantic information. To solve the above problems, we propose a medical image segmentation framework called progressive learning network (PL-Net), which includes internal progressive learning (IPL) and external progressive learning (EPL). PL-Net has the following advantages: (1) IPL divides feature extraction into two ‘steps’, which can mix different size receptive fields and capture semantic information from coarse to fine granularity without introducing additional parameters; (2) EPL divides the training process into two ‘stages’ to optimize parameters, and realizes the fusion of coarse-grained information in the previous stage and fine-grained information in the latter stage. We evaluate our method in different medical image analysis tasks, and the results show that the segmentation performance of PL-Net is better than the state-of-the-art methods of U-Net and its variants.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google