SelfReg-UNet: Self-Regularized UNet for Medical Image Segmentation

自从引入以来，UNet一直在各种医学图像分割任务中处于领先地位。虽然许多后续研究也致力于改善标准UNet的性能，但很少有人对UNet在医学图像分割中的底层特征模式进行深入分析。本文探讨了UNet中学习的模式，并观察到两个可能影响其性能的重要因素：（i）由于不对称监督引起的不相关特征学习；（ii）特征图中的特征冗余。为此，我们提出了在编码器和解码器之间平衡监督，并减少UNet中冗余信息的方法。具体来说，我们使用包含最语义信息的特征图（即解码器的最后一层）来为其他块提供额外的监督，并通过特征蒸馏来减少特征冗余。该方法可以轻松地以插入式方式集成到现有的UNet架构中，并且计算成本可以忽略不计。实验结果表明，所提出的方法在四个医学图像分割数据集上始终提高了标准UNet的性能。代码可在\url{https://github.com/ChongQingNoSubway/SelfReg-UNet}获取。

探索UNet在医学图像分割中的学习模式，提出解决不对称监督和特征冗余的方法，以提高UNet的性能。

提出平衡编码器和解码器之间的监督，并通过特征蒸馏减少UNet中的特征冗余。使用解码器中包含最语义信息的特征图来提供额外的监督。

实验结果表明，该方法可以在四个医学图像分割数据集上提高标准UNet的性能，并且可以轻松地以插入式方式集成到现有的UNet架构中。作者提供了开源代码。

近期的相关研究包括：1）在UNet中使用注意力机制来提高性能；2）使用生成对抗网络来进行医学图像分割；3）探索使用深度监督学习来提高分割性能。