Encoding feature supervised UNet++: Redesigning Supervision for liver and tumor segmentation

要約

CT 画像における肝腫瘍のセグメンテーションは、肝疾患の診断、手術計画、および術後評価における重要なステップです。
肝臓と腫瘍の自動セグメンテーション法により、医師は CT 画像を検査するという重い作業負荷から大幅に解放され、診断の精度が向上します。
過去数十年間、U-Net モデルに基づく多くの修正が文献で提案されてきました。
ただし、高度な UNet++ モデルの改善点は比較的少ないです。
私たちの論文では、UNet ++（ES-UNet ++）を監視するエンコード機能を提案し、それを肝臓と腫瘍のセグメンテーションに適用します。
ES-UNet++ は、エンコーディング UNet++ とセグメンテーション UNet++ で構成されます。
十分に訓練されたエンコーディング UNet++ は、セグメンテーション UNet++ をさらに監視するために使用されるラベル マップのエンコーディング機能を抽出できます。
セグメンテーション UNet++ の各エンコーダーに監視を追加することにより、UNet++ を構成するさまざまな深さの U-Net は、ダイス スコアで元のバージョンよりも平均 5.7% 優れており、全体のダイス スコアは 2.1% 向上しています。
ES-UNet++ はデータセット LiTS で評価され、サイコロ スコアで肝臓のセグメンテーションで 95.6%、腫瘍のセグメンテーションで 67.4% を達成しました。
この論文では、ES-UNet++ と UNet++ の間の比較分析を行うことにより、ES-UNet++ のいくつかの貴重な特性についても結論付けました。
プルーニングされたモデルにかなり優れたパフォーマンスを提供しながら、大幅なスピードアップを達成することによるプルーニング。

要約(オリジナル)

Liver tumor segmentation in CT images is a critical step in the diagnosis, surgical planning and postoperative evaluation of liver disease. An automatic liver and tumor segmentation method can greatly relieve physicians of the heavy workload of examining CT images and better improve the accuracy of diagnosis. In the last few decades, many modifications based on U-Net model have been proposed in the literature. However, there are relatively few improvements for the advanced UNet++ model. In our paper, we propose an encoding feature supervised UNet++(ES-UNet++) and apply it to the liver and tumor segmentation. ES-UNet++ consists of an encoding UNet++ and a segmentation UNet++. The well-trained encoding UNet++ can extract the encoding features of label map which are used to additionally supervise the segmentation UNet++. By adding supervision to the each encoder of segmentation UNet++, U-Nets of different depths that constitute UNet++ outperform the original version by average 5.7% in dice score and the overall dice score is thus improved by 2.1%. ES-UNet++ is evaluated with dataset LiTS, achieving 95.6% for liver segmentation and 67.4% for tumor segmentation in dice score. In this paper, we also concluded some valuable properties of ES-UNet++ by conducting comparative anaylsis between ES-UNet++ and UNet++:(1) encoding feature supervision can accelerate the convergence of the model.(2) encoding feature supervision enhances the effect of model pruning by achieving huge speedup while providing pruned models with fairly good performance.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google