U-Net在2022年相关研究的论文推荐

UNet 可以算是 FCN 的一种变体，是最常用、最简单的一种分割模型，简单、高效、易懂、容易构建，且可以从小数据集中训练。2015 年，UNet 在论文 U-Net: Convolutional Networks for Biomedical Image Segmentation 中被提出 。

UNet 的初衷是为了解决医学图像分割的问题，在解决细胞层面的分割的任务方面，其在 2015 年的 ISBI cell tracking 比赛中获得了多个第一。之后，UNet 凭借其突出的分割效果而被广泛应用在语义分割的各个方向（如卫星图像分割，工业瑕疵检测等）。

现在已经是2022年了，我们看看现在来说Unet在2022年又有什么新的研究，如果你对Unet不熟悉，请先看：https://paperswithcode.com/me...

1、Quantifying U-Net Uncertainty in Multi-Parametric MRI-based Glioma Segmentation by Spherical Image Projection

Zhenyu Yang, Kyle Lafata, Eugene Vaios, Zongsheng Hu, Trey Mullikin, Fang-Fang Yin, Chunhao Wang

https://arxiv.org/pdf/2210.06512

本文开发了一种基于多参数MRI (MP-MRI)球面投影的神经胶质瘤分割U-Net不确定度量化方法。论文提出的基于球形投影的U-Net (SPU-Net)分割模型设计中结合图像转换，可以对单个MRI获得多个分割预测。最后的分割是所有预测的平均值，其变化可以用不确定度图表示。SPU-Net模型应用于369例经MP-MRI扫描的胶质瘤患者。三种SPU-Nets分别训练为片段增强肿瘤(ET)、肿瘤核心(TC)和全肿瘤(WT)。在分割精度(Dice系数)和不确定度(不确定度图和不确定度评分)方面，将SPU-Net与(1)带有测试时增强(TTA)的经典U-Net和(2)基于线性尺度的U-Net进行比较。结果:SPU-Net对正确的分割预测(如肿瘤内部或健康组织内部)具有低不确定度，对错误的结果(如肿瘤边界)具有高不确定度。该模型可以识别U-Net中遗漏的肿瘤靶点或分割错误。SPU-Net在3个指标(ET/TC/WT)上获得了最高的不确定度分数:0.826/0.848/0.936，相比之下，带TTA的U-Net为0.784/0.643/0.872,LSU-Net为0.743/0.702/0.876。SPU-Net还获得了统计上显著更高的Dice系数。可以说:SPU-Net在提高胶质瘤分割精度的同时，为量化胶质瘤分割的不确定性提供了强有力的工具。该方法可推广到其他与医学图像相关的深度学习应用中，用于不确定度评估

2、Scale Equivariant U-Net

Mateus Sangalli, Samy Blusseau, Santiago Velasco-Forero, Jesus Angulo

https://arxiv.org/pdf/2210.04508

在神经网络中，当数据中存在相应的对称性时，卷积的平移等变性可以提高泛化能力。特别是把尺度等变网络用于计算机视觉任务时，其中相同类别的对象出现在不同的尺度上，就像在大多数语义分割任务中一样。最近，已经提出了与缩放和平移等效的卷积层。但是下采样和上采样的等方差性却从未被明确研究过，尽管它们是某些分割架构中必要的构建块。本文介绍了 Scale Equivariant U-Net (SEU-Net)，这是一种通过应用下采样和上采样层以及使用上述尺度等变层，使其对尺度和平移的近似等效。论文还提出了一个 scale-dropout，以提高在近似等尺度架构中对不同尺度的泛化能力。提出的 SEU-Net 被训练用于 Oxford Pet IIIT 的语义分割和用于细胞分割的 DIC-C2DH-HeLa 数据集。与 U-Net 相比，对看不见的尺度的泛化度量得到了显着改善。在 Pet 实验中，scale-dropout 可以更好地泛化尺度等变模型，但在细胞分割实验中没有提高。

3、Analysis of the performance of U-Net neural networks for the segmentation of living cells

André O. Françani

在单细胞跟踪和量化方面，显微镜图像的自动分析是一项挑战。这项工作的目标是研究用于分割显微镜图像的深度学习的性能。基于卷积神经网络的深度学习技术，已应用于细胞分割问题，并显示出高精度和快速性能。为了执行图像分割，论文对超参数进行了分析，建立了不同的模型以优化网络的大小和可学习参数的数量。

4、Sauron U-Net: Simple automated redundancy elimination in medical image segmentation via filter pruning

Juan Miguel Valverde, Artem Shatillo, Jussi Tohka

https://arxiv.org/pdf/2209.13590

论文提出了一种滤波器修剪方法Sauron，通过丢弃相应的滤波器自动调整的层特定阈值来消除冗余的特征映射。Sauron最小化了正则化项，促进了特征映射簇的形成。与大多数滤波器修剪方法相比，Sauron是单相的，类似于典型的神经网络优化，需要更少的超参数。此外与其他基于集群的方法不同该方法不需要预先选择簇的数量，因为这是不容易确定的，而且在不同层之间是不同的。论文在三个医学图像分割任务中评估了Sauron和三种最先进的滤波修剪方法。Sauron得到的模型与其他几种修剪方法相比具有更高的修剪性能和修剪率。由于Sauron在训练过程中删除了过滤器，它的优化会随着时间的推移而加速。

Sauron代码可以在https://github.com/jmlipman/S...上公找到。

5、The Development of Spatial Attention U-Net for The Recovery of Ionospheric Measurements and The Extraction of Ionospheric Parameters

Guan-Han Huang, Alexei V. Dmitriev, Chia-Hsien Lin, Yu-Chi Chang, Mon-Chai Hsieh, Enkhtuya Tsogtbaatar, Merlin M. Mendoza, Hao-Wei Hsu, Yu-Chiang Lin, Lung-Chih Tsai, Yung-Hui Li

论文训练了一个深度学习的人工神经网络模型Spatial Attention U-Net，该模型用于从雷达信号中分离电离层信号。这个方向很专业，有兴趣的看看论文吧。

6、An evaluation of U-Net in Renal Structure Segmentation

Haoyu Wang, Ziyan Huang, Jin Ye, Can Tu, Yuncheng Yang, Shiyi Du, Zhongying Deng, Chenglong Ma, Jingqi Niu, Junjun He

扫描血管造影（CTA）的肾脏结构分割对于许多计算机辅助肾癌治疗应用至关重要。Kidney PArsing~(KiPA 2022) Challenge 旨在构建细粒度的多结构数据集并改进多个肾脏结构的分割。 在 KiPA 挑战中，论文评估了几个 U-Net 变体，并为最终提交选择了最佳模型。

https://avoid.overfit.cn/post/3552b69e7700469098618e501b961a44

作者：Monodeep Mukherjee