Slim U-Net: Efficient Anatomical Feature Preserving U-net Architecture for Ultrasound Image Segmentation

要約

男性の骨盤ビュー UltraSound (米国) 画像で膀胱 (UB) をセグメント化するための U-Net ベースのモデルの適用性を調査します。
米国画像の UB のセグメンテーションは、放射線科医が UB を診断するのに役立ちます。
ただし、米国の画像の UB には任意の形状があり、境界が不明瞭で、被験者間および被験者内のばらつきがかなり大きいため、セグメンテーションは非常に困難な作業になります。
問題に対する最先端の (SOTA) セグメンテーション ネットワークである U-Net の研究では、ノイズの多い米国の画像では解剖学的構造のさまざまな形状とスケールが原因で、UB の顕著な特徴を捉えることができないことが多いことが明らかになりました。
.
また、U-net にはトレーニング可能なパラメーターが多すぎるため、トレーニング中の計算効率が低いことが報告されています。
UB セグメンテーションの課題に対処するために、Slim U-Net を提案します。
Slim U-Net は、U-Net の構造を縮小パスでより少ない数の 2D 畳み込みレイヤーを使用して再形成することにより、UB の顕著な特徴を効率的に保存し、それらを保存して拡張パスに課すことを提案します。
ぼやけた境界を効果的に区別するために、マークされた関心領域 (RoI) の境界にある画像の背景領域を含む新しい注釈方法を提案し、それによってモデルの注意を境界に向けます。
さらに、UB の複雑なセグメンテーションにおけるネットワーク トレーニング用の損失関数の組み合わせを提案しました。
実験結果は、Slim U-net が UB セグメンテーションに関して U-net よりも統計的に優れていることを示しています。
Slim U-net は、セグメンテーションの精度を損なうことなく、標準の U-Net と比較して、トレーニング可能なパラメーターの数とトレーニング時間をそれぞれ 54% と 57.7% 削減します。

要約(オリジナル)

We investigate the applicability of U-Net based models for segmenting Urinary Bladder (UB) in male pelvic view UltraSound (US) images. The segmentation of UB in the US image aids radiologists in diagnosing the UB. However, UB in US images has arbitrary shapes, indistinct boundaries and considerably large inter- and intra-subject variability, making segmentation a quite challenging task. Our study of the state-of-the-art (SOTA) segmentation network, U-Net, for the problem reveals that it often fails to capture the salient characteristics of UB due to the varying shape and scales of anatomy in the noisy US image. Also, U-net has an excessive number of trainable parameters, reporting poor computational efficiency during training. We propose a Slim U-Net to address the challenges of UB segmentation. Slim U-Net proposes to efficiently preserve the salient features of UB by reshaping the structure of U-Net using a less number of 2D convolution layers in the contracting path, in order to preserve and impose them on expanding path. To effectively distinguish the blurred boundaries, we propose a novel annotation methodology, which includes the background area of the image at the boundary of a marked region of interest (RoI), thereby steering the model’s attention towards boundaries. In addition, we suggested a combination of loss functions for network training in the complex segmentation of UB. The experimental results demonstrate that Slim U-net is statistically superior to U-net for UB segmentation. The Slim U-net further decreases the number of trainable parameters and training time by 54% and 57.7%, respectively, compared to the standard U-Net, without compromising the segmentation accuracy.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google