殷晓航,王永才,李德英

(中国人民大学 信息学院,北京 100872)

随着深度学习技术的快速发展,深度学习在医学影像领域的应用吸引了广泛的研究和关注.其中,如何自动识别和分割医学影像中的病灶是最受关注的问题之一.为解决这一问题,2015 年,Ronneberger 等人在MICCAI会议发表 U-Net[1],是深度学习在医学影像分割中的突破性的进展.U-Net 是基于 FCN(fully convolutional network)改进而成,包括编码器、瓶颈(bottleneck)模块、解码器几部分组成,由于其U 型结构结合上下文信息和训练速度快、使用数据量小,满足医学影像分割的诉求,而在医学影像分割中广泛应用.U-Net 的结构如图1 所示.由于病灶的形状的多样性和不同器官结构的差异性,仅使用U-Net 结构分割病灶无法满足对于精准度、速度等的需求.

Fig.1 U-Net network structure diagram[1]图1 U-Net 网络结构图[1]

U-Net 自发表以来,其编码器-解码器-跳连的网络结构启发了大量基于U-Net 结构改进的医学影像分割方法.随着深度学习技术的发展,包括注意力机制、稠密模块、特征增强、评价函数改进等基于U-Net 的基础结构,将这些深度神经网络发展的最新技术引入到医学影像分割应用中,成为被广泛采取的改进方法.这些相关工作或者面向不同的优化目标,或者通过结构改进、添加新模块等手段,提高医学影像分割的准确性、运算效率、适用范围等.由于相关工作众多,而且大多数工作是结合实际问题,不断地加入新的思想,现有文献中对U-Net 结构改进的相关工作尚缺少较好的综述和总结的工作.本文拟从改进目的和改进手……