EU-Nets: Enhanced, Explainable and Parsimonious U-Nets
作者: B. Sun, P. Liò
发布时间: 2025-02-27
来源: arxiv
研究方向: 医学图像分割与深度学习可解释性
主要内容
该研究提出了一种名为 EU-Nets 的新型 U-Net 变体，旨在提高医学图像分割的准确性和可解释性，同时减少模型参数量。
主要贡献
1. 提出了 MHEX+ 框架，适用于任何 U-Net 架构，在保持低参数量的同时提高准确性和稳定性。
2. 引入了等效卷积核，通过合并连续的卷积层提高可解释性。
3. 提出了协作梯度方法，通过测量解码器层之间的梯度一致性来估计不确定性。
4. 在多个数据集上实现了平均精度提高 1.389% 和方差降低 0.83%。
研究方法
1. 基于 MHEX+ 框架的 EU-Nets 架构。
2. 等效卷积核和注意力门控机制。
3. 协作梯度方法进行不确定性估计。
4. 深度监督和残差连接的集成方法。
5. 基于梯度的可解释性和不确定性估计方法。
实验结果
在 MRI、CT、超声和皮肤镜图像等多个数据集上进行了实验，EU-Nets 在准确性和稳定性方面均优于基线模型，同时参数量少于 0.1M。
未来工作
进一步探索 EU-Nets 在更多医学图像分割任务中的应用，以及如何进一步提高其性能和可解释性。