Progress of U-Net applicaitons to lung nodule segmentation

doi:10.11772/j.issn.1001-9081.2022081216

Journal of Computer Applications ›› 2023, Vol. 43 ›› Issue (S1): 250-257.DOI: 10.11772/j.issn.1001-9081.2022081216

• Multimedia computing and computer simulation • Previous Articles

Progress of U-Net applicaitons to lung nodule segmentation

Quanyou SHEN¹, Xiaobo ZHANG¹, Wenhao LI¹, Lihan LI¹, Rongde XU², Daohua CHEN³, Jing LI⁴^,⁵()

^1.School of Autumation，Guangdong University of Technology，Guangzhou Guangdong 510006，China
^2.Department of Interventional Radiology，Guangdong Provincial People’s Hospital（Guangdong Academy of Medical Sciences），Southern Medical University，Guangzhou Guangdong 510000，China
^3.The Second School of Clinical Medicine，Southern Medical University. Guangzhou Guangdong 510006，China
^4.Department of Pulmonary and Critical Care Medicine，The First People’s Hospital of Yunnan Province;（The Affiliated Hospital of Kunming University of Science and Technology），Kunming Yunnan 650032，China
^5.Department of Pulmonary and Critical Care Medicine，Guangdong Provincial People’s Hospital （Guangdong Academy of Medical Sciences），Southern Medical University，Guangzhou Guangdong 510000，China

Received:2022-08-17 Revised:2023-02-21 Accepted:2023-02-23 Online:2023-07-04 Published:2023-06-30
Contact: Jing LI

U-Net在肺结节分割中的应用进展

沈权猷¹, 张小波¹, 李文豪¹, 李礼汉¹, 许荣德², 陈道花³, 李静⁴^,⁵()

^1.广东工业大学自动化学院，广州 510006
^2.南方医科大学附属广东省人民医院（广东省医学科学院）微创介入科，广州 510000
^3.南方医科大学第二临床医学院，广州 510515
^4.云南省第一人民医院（昆明理工大学附属医院）呼吸与危重症医学科，昆明 650032
^5.南方医科大学附属广东省人民医院（广东省医学科学院）呼吸与危重症医学科，广州 510000

通讯作者: 李静
作者简介:沈权猷（2001—），男，广东信宜人，主要研究方向：人工智能
张小波（1977—），男，湖北随州人，讲师，博士，主要研究方向：人工智能
李文豪（2000—），男，广东汕头人，主要研究方向：人工智能
李礼汉（2001—），男，广东吴川人，主要研究方向：人工智能
许荣德（1970—），男，广东潮阳人，主要研究方向：肿瘤介入
陈道花（1989—），女，湖南永州人，硕士，主要研究方向：呼吸介入
李静（1968—），女，广东广州人，主任医师，博士，主要研究方向：介入呼吸病学。dr.lijing@gdph.org.cn
基金资助:
云南省重大科技专项(202102AA100012)

Abstract

Abstract:

It is of great clinical significance to achieve automatic and accurate segmentation of lung nodules in medicine. With the remarkable progress of computer vision， deep learning as a part of artificial intelligence has attracted more and more attention in the automatic segmentation of medical images. U-Net has been widely used in the field of medical image segmentation due to its good performance on small sample datasets. Researchers are currently trying to use different U-Net structures to improve the performance of computer-aided diagnosis systems in lung cancer screening of medical images. In this work， the datasets and evaluation metrics commonly used in lung nodule segmentation were first introduced， and the U-Net-based automatic segmentation techniques related to lung nodules were investigated. Then， U-Net models and improvements around codecs， skip connections and overall structure were analyzed and summarized. Finally， the challenges and limitations of deep learning-based automatic segmentation techniques were also discussed.

Key words: deep learning, U-Net, medical image processing, lung tumor segmentation, lung nodule

摘要：

医学上实现自动肺结节精准分割具有十分重要的临床意义。随着计算机视觉的显著进步，深度学习作为人工智能的一部分，在医学图像自动分割中引起了越来越多的关注。U-Net由于在小样本数据集上的良好表现，在医学图像分割领域得到广泛应用。目前，研究人员正在尝试使用不同的U-Net结构，以提高计算机辅助诊断系统在医学图像的肺癌筛查中的性能。首先，围绕肺结节分割任务介绍了当下常用的数据集和评价指标；其次，调查与肺结节相关的U-Net分割技术网络；另外，基于U-Net分别分析与归纳编解码器、跳跃连接和整体结构的改进；最后，还讨论了基于深度学习的自动分割技术的挑战和限制。

关键词: 深度学习, U-Net, 医学图像处理, 肺肿瘤分割, 肺结节

CLC Number:

TP391.41

Quanyou SHEN, Xiaobo ZHANG, Wenhao LI, Lihan LI, Rongde XU, Daohua CHEN, Jing LI. Progress of U-Net applicaitons to lung nodule segmentation[J]. Journal of Computer Applications, 2023, 43(S1): 250-257.

沈权猷, 张小波, 李文豪, 李礼汉, 许荣德, 陈道花, 李静. U-Net在肺结节分割中的应用进展[J]. 《计算机应用》唯一官方网站, 2023, 43(S1): 250-257.

Figures/Tables 2

References 53

1	CAO M， LI H， SUN D， et al. Cancer burden of major cancers in China： a need for sustainable actions ［J］. Cancer Communications， 2020， 40（5）： 205-10. 10.1002/cac2.12025
2	BEVERIDGE J R， GRIFFITH J， KOHLER R R， et al. Segmenting images using localized histograms and region merging ［J］. International Journal of Computer Vision， 1989， 2（3）： 311-347. 10.1007/bf00158168
3	PAL N R， PAL S K. A review on image segmentation techniques ［J］. Pattern Recognition， 1993， 26（9）： 1277-1294. 10.1016/0031-3203(93)90135-j
4	FREUND Y， SCHAPIRE R E. A decision-theoretic generalization of on-line learning and an application to boosting ［J］. Journal of Computer and System Sciences， 1997， 55（1）： 119-139. 10.1006/jcss.1997.1504
5	A-V VO， TRUONG-HONG L， LAEFER D F， et al. Octree-based region growing for point cloud segmentation ［J］. ISPRS Journal of Photogrammetry and Remote Sensing， 2015， 104： 88-100. 10.1016/j.isprsjprs.2015.01.011
6	BIANCONI F， FRAVOLINI M L， PIZZOLI S， et al. Comparative evaluation of conventional and deep learning methods for semi-automated segmentation of pulmonary nodules on CT ［J］. Quantitative Imaging in Medicine and Surgery， 2021， 11（7）： 3286-3305. 10.21037/qims-20-1356
7	WU J， QIAN T. A survey of pulmonary nodule detection， segmentation and classification in computed tomography with deep learning techniques［EB/OL］.［2022-03-20］. . 10.21037/jmai.2019.04.01
8	LIU X， LI K W， YANG R， et al. Review of deep learning based automatic segmentation for lung cancer radiotherapy ［J］. Frontiers in Oncology， 2021， 11： 717039. 10.3389/fonc.2021.717039
9	RONNEBERGER O， FISCHER P， BROX T. U-Net： convolutional networks for biomedical image segmentation［C］// Proceedings of the 18th International Conference on Medical Image Computing and Computer-Assisted Intervention. Cham： Springer， 2015： 234-241. 10.1007/978-3-319-24574-4_28
10	ARMATO S G， 3RD， MCLENNAN G， BIDAUT L， et al. The Lung Image Database Consortium （LIDC） and Image Database Resource Initiative （IDRI）： a completed reference database of lung nodules on CT scans ［J］. Medical Physics， 2011， 38（2）： 915-931. 10.1118/1.3528204
11	SETIO A A A， TRAVERSO A， DE BEL T， et al. Validation， comparison， and combination of algorithms for automatic detection of pulmonary nodules in computed tomography images： the LUNA16 challenge ［J］. Medical Image Analysis， 2017， 42： 1-13. 10.1016/J.MEDIA.2017.06.015
12	Data Science Bowl 2017［EB/OL］.（2017-01-12）［2022-06-30］.. 10.1090/mbk/104/08
13	Ali Tianchi Data［EB/OL］.（2017-03-29）［2022-06-30］.. 10.3974/geodb.2016.02.10.v1
14	ARMATO III S G， HADJIISKI L， TOURASSI G D， et al. SPIE-AAPM-NCI lung nodule classification challenge dataset. the cancer imaging archive ［EB/OL］. ［2022-06-30］. .
15	Trial Summary-Learn-NLST — the cancer data access system［EB/OL］.（2017-05-15）［2022-06-30］.. 10.1007/978-1-4419-6612-4_66
16	VAN GINNEKEN B， ARMATO III S G， DE HOOP B， et al. Comparing and combining algorithms for computer-aided detection of pulmonary nodules in computed tomography scans： the ANODE09 study ［J］. Medical Image Analysis， 2010， 14（6）： 707-22. 10.1016/j.media.2010.05.005
17	Danish Lung Cancer Screening Trial（DLCST）［EB/OL］.（2007-07-06）［2022-06-30］.. 10.1016/j.lungcan.2010.06.006
18	Grand challenge on automatic lung cancer patient managemen［EB/OL］.（2019-11-20）［2022-06-30］.. 10.21428/55f96fb6
19	LECUN Y， KAVUKCUOGLU K， FARABET C. Convolutional networks and applications in vision［C］// Proceedings of the 2010 IEEE International Symposium on Circuits and Systems. Piscataway： IEEE， 2010： 253-256. 10.1109/iscas.2010.5537907
20	LONG J， SHELHAMER E， DARRELL T. Fully convolutional networks for semantic segmentation［C］// Proceedings of the 2015 IEEE Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2015： 3431-3440. 10.1109/cvpr.2015.7298965
21	徐峰，郑斌，郭进祥，等. 基于U-Net的结节分割方法［J］. 软件导刊， 2018， 17（8）： 161-164.
22	TONG G， LI Y， CHEN H， et al. Improved U-NET network for pulmonary nodules segmentation ［J］. Optik， 2018， 174： 460-469. 10.1016/j.ijleo.2018.08.086
23	ZOTOVA D， LISOWSKA A， ANDERSON O， et al. Comparison of active learning strategies applied to lung nodule segmentation in CT scans［C］// LABELS 2019， HAL-MICCAI 2019， CuRIOUS 2019： Proceedings of the 2019 Large-Scale Annotation of Biomedical Data and Expert Label Synthesis and Hardware Aware Learning for Medical Imaging and Computer Assisted Intervention. Cham： Springer， 2019： 3-12. 10.1007/978-3-030-33642-4_1
24	AMORIM P H J， DE MORAES T F， SILVA J V L DA， et al. Lung nodule segmentation based on convolutional neural networks using multi-orientation and patchwise mechanisms［C］// VipIMAGE 2019： Proceedings of the 2019 VII ECCOMAS Thematic Conference on Computational Vision and Medical Image Processing. Cham： Springer， 2019： 286-295. 10.1007/978-3-030-32040-9_30
25	ARESTA G， JACOBS C， ARAUJO T， et al. iW-Net： an automatic and minimalistic interactive lung nodule segmentation deep network ［EB/OL］.［2022-03-20］. . 10.1038/s41598-019-48004-8
26	马金林，魏萌，马自萍. 基于深度迁移学习的肺结节分割方法［J］. 计算机应用， 2020， 40（7）： 2117-2125. 10.11772/j.issn.1001-9081.2019112012
27	钟思华，郭兴明，郑伊能. 改进U-Net网络的肺结节分割方法［J］. 计算机工程与应用， 2020， 56（17）： 203-209.
28	KUMAR S， RAMAN S. Lung nodule segmentation using 3-dimensional convolutional neural networks［C］// Proceedings of the 2020 Soft Computing for Problem Solving： Volume 1. Cham： Springer， 2020： 585-596. 10.1007/978-981-15-0035-0_48
29	MILLETARI F， NAVAB N， AHMADI S. V-Net： fully convolutional neural networks for volumetric medical image segmentation［C］// Proceedings of the 2016 Fourth International Conference on 3D Vision. Piscataway： IEEE， 2016： 565-571. 10.1109/3dv.2016.79
30	WU W， GAO L， DUAN H， et al. Segmentation of pulmonary nodules in CT images based on 3D-UNET combined with three-dimensional conditional random field optimization ［J］. Medical Physics， 2020， 47（9）： 4054-4063. 10.1002/mp.14248
31	ZHOU Z， SIDDIQUEE M M R， TAJBAKHSH N， et al. UNet++： redesigning skip connections to exploit multiscale features in image segmentation ［J］. IEEE Transactions on Medical Imaging， 2019， 39（6）： 1856-1867. 10.1109/tmi.2019.2959609
32	黄鸿，吕容飞，陶俊利，等. 基于改进U-Net++的CT影像肺结节分割算法［J］. 光子学报， 2021， 50（2）： 73-83.
33	黄新，郭晓敏. 具有双向增强特征结构的U型肺结节分割网络［J］. 计算机工程与应用， 2022， 58（24）： 239-246. 10.3778/j.issn.1002-8331.2107-0107
34	苗语，丰振航，杨华民，等. 基于改进的U-Net肺结节分割方法研究［J］. 计算机应用与软件， 2021， 38（12）： 213-219. 10.3969/j.issn.1000-386x.2021.12.035
35	张宇杰，叶西宁. 基于WU-Net网络的肺结节图像分割算法［J］. 计算机应用研究， 2022， 39（3）： 895-899.
36	龙雪，李政林，王智文，等. 基于改进U-Net网络的肺部CT图像结节分割方法［J］. 广西科技大学学报， 2022， 33（1）： 63-70.
37	YANG J， WU B， LI L， et al. MSDS-UNet： a multi-scale deeply supervised 3D U-Net for automatic segmentation of lung tumor in CT ［J］. Computerized Medical Imaging and Graphics， 2021， 92： 101957. 10.1016/j.compmedimag.2021.101957
38	ISENSEE F， JAEGER P F， KOHL S A A， et al. nnU-Net： a self-configuring method for deep learning-based biomedical image segmentation ［J］. Nature Methods， 2021， 18（2）： 203-211. 10.1038/s41592-020-01008-z
39	SIMPSON A L， ANTONELLI M， BAKAS S， et al. A large annotated medical image dataset for the development and evaluation of segmentation algorithms ［EB/OL］. （2019-02-25）［2022-03-20］. .
40	NI Y， XIE Z， ZHENG D， et al. Two-stage multitask U-Net construction for pulmonary nodule segmentation and malignancy risk prediction ［J］. Quantitative Imaging in Medicine and Surgery， 2022， 12（1）： 292-309. 10.21037/qims-21-19
41	MAQSOOD M， YASMIN S， MEHMOOD I， et al. An efficient DA-Net architecture for lung nodule segmentation ［J］. Mathematics， 2021， 9（13）： 1457. 10.3390/math9131457
42	KEETHA N V， ANNAVARAPU C S R. U-Det： a modified U-Net architecture with bidirectional feature network for lung nodule segmentation ［EB/OL］.［2022-03-20］. .
43	BANU S F， SARKER M M K， ABDEL-NASSER M， et al. AWEU-Net： an attention-aware weight excitation U-Net for lung nodule segmentation ［J］. Applied Sciences， 2021， 11（21）： 10132. 10.3390/app112110132
44	LIAO H， TANG Y， FUNKA-LEA G， et al. More knowledge is better： cross-modality volume completion and 3D+2D segmentation for intracardiac echocardiography contouring［C］// Proceedings of the 21st International Conference on Medical Image Computing and Computer Assisted Intervention. Cham： Springer， 2018： 535-543. 10.1007/978-3-030-00934-2_60
45	FRID-ADAR M， BEN-COHEN A， AMER R， et al. Improving the segmentation of anatomical structures in chest radiographs using u-net with an imagenet pre-trained encoder［C］// RAMBO 2018， BIA 2018， TIA 2018： Proceedings of the 2018 Image Analysis for Moving Organ， Breast， and Thoracic Images. Cham： Springer， 2018： 159-168. 10.1007/978-3-030-00946-5_17
46	SHIN H C， ROTH H R， GAO M， et al. Deep convolutional neural networks for computer-aided detection： CNN architectures， dataset characteristics and transfer learning ［J］. IEEE Transactions on Medical Imaging， 2016， 35（5）： 1285-1298. 10.1109/tmi.2016.2528162
47	CHLAP P， MIN H， VANDENBERG N， et al. A review of medical image data augmentation techniques for deep learning applications ［J］. Journal of Medical Imaging and Radiation Oncology， 2021， 65（5）： 545-563. 10.1111/1754-9485.13261
48	YI X， WALIA E， BABYN P. Generative adversarial network in medical imaging： a review ［J］. Medical Image Analysis， 2019， 58： 101552. 10.1016/j.media.2019.101552
49	HE T， HU J， SONG Y， et al. Multi-task learning for the segmentation of organs at risk with label dependence ［J］. Medical Image Analysis， 2020， 61（12）： 101666. 10.1016/j.media.2020.101666
50	QIN X， ZHANG Z， HUANG C， et al. U2-Net： Going deeper with nested U-structure for salient object detection ［J］. Pattern Recognition， 2020， 106： 107404. 10.1016/j.patcog.2020.107404
51	YING X. An overview of overfitting and its solutions ［J］. Journal of Physics： Conference Series， 2019， 1168： 022022. 10.1088/1742-6596/1168/2/022022
52	LITJENS G， KOOI T， BEJNORDI B E， et al. A survey on deep learning in medical image analysis ［J］. Medical Image Analysis， 2017， 42： 60-88. 10.1016/j.media.2017.07.005
53	PAPERNOT N， MCDANIEL P， GOODFELLOW I， et al. Practical black-box attacks against machine learning［C］// Proceedings of the 2017 ACM on Asia Conference on Computer and Communications Security. New York： ACM， 2017： 506-519. 10.1145/3052973.3053009

数据集	CT文件数	图像格式	结节标记	是否公开使用
LIDC-IDRI^［10］	1 018	DICOM	*	公开
LUNA16^［11］	888	mhd	*	公开
DSB^［12］	2 101	DICOM	—	未公开
Ali Tianchi^［13］	2 000	mhd	*	未公开
LUNGx^［14］	70	DICOM	*	公开
NLST^［15］	3 410	DICOM	*	公开
ANODEO9^［16］	55	DICOM	*	公开
DLCST^［17］	17	DICOM	*	公开
LNDb^［18］	294	mhd	*	公开

数据集	CT文件数	图像格式	结节标记	是否公开使用
LIDC-IDRI^［10］	1 018	DICOM	*	公开
LUNA16^［11］	888	mhd	*	公开
DSB^［12］	2 101	DICOM	—	未公开
Ali Tianchi^［13］	2 000	mhd	*	未公开
LUNGx^［14］	70	DICOM	*	公开
NLST^［15］	3 410	DICOM	*	公开
ANODEO9^［16］	55	DICOM	*	公开
DLCST^［17］	17	DICOM	*	公开
LNDb^［18］	294	mhd	*	公开

文献	网络	数据集	改进结构及其方法	结果	亮点
文献［21］	U-Net	LUNA16		ACC：0.867	使用U-Net分割肺结节并证明其有效性
文献［22］	U-Net	LUNA16	编解码器	DSC：0.736	在网络中引入残差块提高网络训练效果
文献［23］	U-Net	LIDC-IDRI	编解码器		引入具有Bottleneck块的VGGNet替代U-Net的编码器；结合主动学习策略，可实现结节的半监督分割
文献［24］	U-Net	LIDC-IDRI	整体	DSC：0.83	并联3个U-Net进行3个分支训练，从而多方向提取肺结节信息
文献［25］	U-Net	LIDC-IDRI	整体	IoU：0.55	串联两个精简的U-Net；允许人工手动校正
文献［26］	U-Net	LUNA16	跳跃连接	DSC：0.917 9	采用预训练的VGG-16代替编码器；编解码器之间采用分块式叠加微调策略辅助微调
文献［27］	U-Net	LIDC-IDRI	跳跃连接	DSC：0.844 8，PPV：0.853 5， Recall：0.838 1	引入密集连接对相邻网络层进行特征融合
文献［28］	3D U-Net	LUNA16	编解码器	DSC：0.961 5	使用每两个卷积层之间加入残差块的V-Net分割肺结节
文献［30］	3D U-Net	LIDC-IDRI		DSC：0.832 8	引入三维条件随机场优化网络偏差和权重
文献［42］	U-Net	LUNA16	跳跃连接	DSC：0.828 2	编解码器连接之间加入加权双向特征金字塔网络
文献［32］	UNet++	LIDC-IDRI	跳跃连接	IoU：0.874，DSC：0.908 3； SEN：0.919 4，PPV：0.921 7	采用自适应加权聚合策略有效缓解肺结节欠分割问题
文献［32］	UNet++	CQUCH-LC	跳跃连接	IoU：0.805 9，DSC：0.882 3； SEN：0.891 5，PPV：0.891 1	采用自适应加权聚合策略有效缓解肺结节欠分割问题
文献［33］	U-Net	LUNA16	跳跃连接	DSC：0.883 2，SEN：0.962 4，PPV：0.849 6	在跳跃连接引入双向增强型特征融合结构增强信息传递；利用Mish激活函数减少信息传递时间
文献［34］	U-Net	LUNA16	跳跃连接	DSC：0.746，PPV：0.937 4， SEN：0.941	将U-Net和DenseNet网络融合，增强特征复用性；采用卷积条件随机场解决边界模糊问题
文献［35］	U-Net	LUNA16	编解码器	DSC：0.967 2，IoU：0.917 8	在编码器中引入残差连接模块和新提出的dep模块，改进的信息通路完成特征提取和特征融合
文献［37］	3D U-Net	Liaoning Cancer Hospital	编解码器	DSC：0.675，SEN：0.731， F1 Score：0.682	提出了配备ResNet架构的3D U-Net和两种通路的深度监督机制，增加网络从全局信息和局部信息学习肺肿瘤的特征
文献［37］	3D U-Net	TCIA	编解码器	DSC：0.691，SEN：0.746 F1 Score：0.724	提出了配备ResNet架构的3D U-Net和两种通路的深度监督机制，增加网络从全局信息和局部信息学习肺肿瘤的特征
文献［38］	nnU-Net	Medical Segmentation Decathlon	整体	在49个任务中有29个任务达到当前最优的性能表现	基于2D U-Net和3D U-Net的级联网络
文献［41］	U-Net	LIDC-IDRI	编解码器	DSC：0.811	引用由空洞块和深度卷积块组成的DA块
文献［43］	Faster R-CNN+ U-Net	LIDC-IDRI	整体结构	DSC：0.897 9	把Faster R-CNN得到的感兴趣区域放入提出的 AWEUNet分割
文献［43］	Faster R-CNN+ U-Net	LUNA16	整体结构	DSC：0.903 5	把Faster R-CNN得到的感兴趣区域放入提出的 AWEUNet分割
文献［40］	3D U-Net+ 2D U-Net	LIDC-IDRI	整体结构	DSC：0.830 4	使用3DU-Net用作定位、2.5DU-Net精确分割肺结节
文献［36］	U-Net	LUNA16	编解码器	IoU：0.788 8 F1 Score：0.895 9	加入双注意力模块、残差模块和空洞空间金字塔池化模块

文献	网络	数据集	改进结构及其方法	结果	亮点
文献［21］	U-Net	LUNA16		ACC：0.867	使用U-Net分割肺结节并证明其有效性
文献［22］	U-Net	LUNA16	编解码器	DSC：0.736	在网络中引入残差块提高网络训练效果
文献［23］	U-Net	LIDC-IDRI	编解码器		引入具有Bottleneck块的VGGNet替代U-Net的编码器；结合主动学习策略，可实现结节的半监督分割
文献［24］	U-Net	LIDC-IDRI	整体	DSC：0.83	并联3个U-Net进行3个分支训练，从而多方向提取肺结节信息
文献［25］	U-Net	LIDC-IDRI	整体	IoU：0.55	串联两个精简的U-Net；允许人工手动校正
文献［26］	U-Net	LUNA16	跳跃连接	DSC：0.917 9	采用预训练的VGG-16代替编码器；编解码器之间采用分块式叠加微调策略辅助微调
文献［27］	U-Net	LIDC-IDRI	跳跃连接	DSC：0.844 8，PPV：0.853 5， Recall：0.838 1	引入密集连接对相邻网络层进行特征融合
文献［28］	3D U-Net	LUNA16	编解码器	DSC：0.961 5	使用每两个卷积层之间加入残差块的V-Net分割肺结节
文献［30］	3D U-Net	LIDC-IDRI		DSC：0.832 8	引入三维条件随机场优化网络偏差和权重
文献［42］	U-Net	LUNA16	跳跃连接	DSC：0.828 2	编解码器连接之间加入加权双向特征金字塔网络
文献［32］	UNet++	LIDC-IDRI	跳跃连接	IoU：0.874，DSC：0.908 3； SEN：0.919 4，PPV：0.921 7	采用自适应加权聚合策略有效缓解肺结节欠分割问题
文献［32］	UNet++	CQUCH-LC	跳跃连接	IoU：0.805 9，DSC：0.882 3； SEN：0.891 5，PPV：0.891 1	采用自适应加权聚合策略有效缓解肺结节欠分割问题
文献［33］	U-Net	LUNA16	跳跃连接	DSC：0.883 2，SEN：0.962 4，PPV：0.849 6	在跳跃连接引入双向增强型特征融合结构增强信息传递；利用Mish激活函数减少信息传递时间
文献［34］	U-Net	LUNA16	跳跃连接	DSC：0.746，PPV：0.937 4， SEN：0.941	将U-Net和DenseNet网络融合，增强特征复用性；采用卷积条件随机场解决边界模糊问题
文献［35］	U-Net	LUNA16	编解码器	DSC：0.967 2，IoU：0.917 8	在编码器中引入残差连接模块和新提出的dep模块，改进的信息通路完成特征提取和特征融合
文献［37］	3D U-Net	Liaoning Cancer Hospital	编解码器	DSC：0.675，SEN：0.731， F1 Score：0.682	提出了配备ResNet架构的3D U-Net和两种通路的深度监督机制，增加网络从全局信息和局部信息学习肺肿瘤的特征
文献［37］	3D U-Net	TCIA	编解码器	DSC：0.691，SEN：0.746 F1 Score：0.724	提出了配备ResNet架构的3D U-Net和两种通路的深度监督机制，增加网络从全局信息和局部信息学习肺肿瘤的特征
文献［38］	nnU-Net	Medical Segmentation Decathlon	整体	在49个任务中有29个任务达到当前最优的性能表现	基于2D U-Net和3D U-Net的级联网络
文献［41］	U-Net	LIDC-IDRI	编解码器	DSC：0.811	引用由空洞块和深度卷积块组成的DA块
文献［43］	Faster R-CNN+ U-Net	LIDC-IDRI	整体结构	DSC：0.897 9	把Faster R-CNN得到的感兴趣区域放入提出的 AWEUNet分割
文献［43］	Faster R-CNN+ U-Net	LUNA16	整体结构	DSC：0.903 5	把Faster R-CNN得到的感兴趣区域放入提出的 AWEUNet分割
文献［40］	3D U-Net+ 2D U-Net	LIDC-IDRI	整体结构	DSC：0.830 4	使用3DU-Net用作定位、2.5DU-Net精确分割肺结节
文献［36］	U-Net	LUNA16	编解码器	IoU：0.788 8 F1 Score：0.895 9	加入双注意力模块、残差模块和空洞空间金字塔池化模块

[1]	Yiren LI, Pei SHEN. Foreign object detection method for business demand of scrap steel recycling [J]. Journal of Computer Applications, 2023, 43(S1): 243-249.
[2]	Xiwei LIU, Xiaoyan GONG, Hongxia ZHAO, Siyu BIAN, Shuai SHAO, Yaping DAI, Wenxin DAI. Dynamic facial expression recognition based on hybrid attention mechanism [J]. Journal of Computer Applications, 2023, 43(S1): 1-7.
[3]	Kui JIANG, Zhihang YU, Xiaolei CHEN, Yuhao LI. Design and implementation of Webshell traffic detection system based on BERT-CNN [J]. Journal of Computer Applications, 2023, 43(S1): 126-132.
[4]	Dong WANG, Xian ZHANG, Da LI, Qinglei GUO, Xin CHANG, Jingli FENG. Blockchain security protection scheme for power grid based on distributed anomaly detection [J]. Journal of Computer Applications, 2023, 43(S1): 139-146.
[5]	Jingqiao LU, Wei BIN, Yongqiang LU, Guangzhu MAI, Yin CHEN, Yanxiong WU. Fine-grained visual classification combining attention mutual exclusion regularization [J]. Journal of Computer Applications, 2023, 43(S1): 224-228.
[6]	Yichi CHEN, Bin CHEN. Review of lifelong learning in computer vision [J]. Journal of Computer Applications, 2023, 43(6): 1785-1795.
[7]	Xin JIN, Yangchuan LIU, Yechen ZHU, Zijian ZHANG, Xin GAO. Sinogram inpainting for sparse-view cone-beam computed tomography image reconstruction based on residual encoder-decoder generative adversarial network [J]. Journal of Computer Applications, 2023, 43(6): 1950-1957.
[8]	Runting DONG, Li WU, Xiaoying WANG, Tengfei CAO, Jianqiang HUANG, Qin GUAN, Jiexia WU. Review of application analysis and research progress of deep learning in weather forecasting [J]. Journal of Computer Applications, 2023, 43(6): 1958-1968.
[9]	Jing QIN, Xueqian MA, Fujie GAO, Changqing JI, Zumin WANG. Survey of Parkinson’s disease auxiliary diagnosis methods based on gait analysis [J]. Journal of Computer Applications, 2023, 43(6): 1687-1695.
[10]	Yang LIU, Zhiyang LU, Jun WANG, Jun SHI. Gibbs artifact removal algorithm for magnetic resonance imaging based on self-attention connection UNet [J]. Journal of Computer Applications, 2023, 43(5): 1606-1611.
[11]	Liyao FU, Mengxiao YIN, Feng YANG. Transformer based U-shaped medical image segmentation network： a survey [J]. Journal of Computer Applications, 2023, 43(5): 1584-1595.
[12]	Qinghai XU, Shifei DING, Tongfeng SUN, Jian ZHANG, Lili GUO. Improved capsule network based on multipath feature [J]. Journal of Computer Applications, 2023, 43(5): 1330-1335.
[13]	Xianlan WANG, Jinkun ZHOU, Nan MU, Chen WANG. Cross-view geo-localization method based on multi-task joint learning [J]. Journal of Computer Applications, 2023, 43(5): 1625-1635.
[14]	Xu ZHANG, Long SHENG, Haifang ZHANG, Feng TIAN, Wei WANG. Pre-hospital emergency text classification model based on label confusion [J]. Journal of Computer Applications, 2023, 43(4): 1050-1055.
[15]	Xiaoyu FAN, Suzhen LIN, Yanbo WANG, Feng LIU, Dawei LI. Reconstruction algorithm for highly undersampled magnetic resonance images based on residual graph convolutional neural network [J]. Journal of Computer Applications, 2023, 43(4): 1261-1268.

Progress of U-Net applicaitons to lung nodule segmentation

U-Net在肺结节分割中的应用进展

RichHTML

PDF

Knowledge

Abstract

Cite this article

share this article

Figures/Tables 2

References 53

Related Articles 15

Recommended Articles

Metrics