ConnectedUNets++: Mass Segmentation from Whole Mammographic Images

要約

ディープラーニングは、事前知識を必要とせずに高レベルの特徴を抽出できることから、近年、医用画像セグメンテーションの分野でブレークスルーを果たしている。その中で、U-Netは最も先進的な医用画像セグメンテーションモデルの1つであり、マンモグラフィーでの成果が期待されている。マルチモーダル医用画像のセグメンテーションにおける優れた総合性能にもかかわらず、従来のU-Netの構造は様々な点で不十分であるように思われる。MultiResUNet、Connected-UNets、AU-Netなどの特定のU-Net設計の修正により、従来のU-Netアーキテクチャが不十分と思われる領域で全体的な性能を向上させたものが存在する。UNetとその亜種の成功を受けて、私たちはConnected-UNetsアーキテクチャの2つの拡張バージョンを発表しました。ConnectedUNets+」と「ConnectedUNets++」です。ConnectedUNets+では、Connected-UNetsアーキテクチャの単純なスキップ接続を残余スキップ接続に置き換え、ConnectedUNets++では、残余スキップ接続を採用するとともに、エンコーダ・デコーダ構造を変更した。提案したアーキテクチャを、CBIS-DDSM（Curated Breast Imaging Subset of Digital Database for Screening Mammography）とINbreastという一般に公開されている2つのデータセットで評価しました。

要約(オリジナル)

Deep learning has made a breakthrough in medical image segmentation in recent years due to its ability to extract high-level features without the need for prior knowledge. In this context, U-Net is one of the most advanced medical image segmentation models, with promising results in mammography. Despite its excellent overall performance in segmenting multimodal medical images, the traditional U-Net structure appears to be inadequate in various ways. There are certain U-Net design modifications, such as MultiResUNet, Connected-UNets, and AU-Net, that have improved overall performance in areas where the conventional U-Net architecture appears to be deficient. Following the success of UNet and its variants, we have presented two enhanced versions of the Connected-UNets architecture: ConnectedUNets+ and ConnectedUNets++. In ConnectedUNets+, we have replaced the simple skip connections of Connected-UNets architecture with residual skip connections, while in ConnectedUNets++, we have modified the encoder-decoder structure along with employing residual skip connections. We have evaluated our proposed architectures on two publicly available datasets, the Curated Breast Imaging Subset of Digital Database for Screening Mammography (CBIS-DDSM) and INbreast.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL