AI Summary & Key Takeaways
AI InsightExperimental results show that Monai-UNet reduces the training time by 78% compared to the traditional UNet model and increases the segmentation accuracy by 13%.
📌 3 Key Takeaways
Abstract
The UNet model, which is widely used in image segmentation applications, has some important limitations such as high parameter count, updating convolution weight parameters as independent variables, and fixed size input requirement. In this study, the segmentation performances of the traditional UNet model and its two different variants (Monai-UNet and WSN-UNet) were compared. Monai-UNet optimizes the data processing process by learning images in parts rather than as a whole. WSN-UNet was created by integrating a wavelet scattering network instead of the coding layer of UNet. In order to evaluate the segmentation performances of the models, four different datasets with different characteristics (Tooth, Cell, STN, and Pencil) were used. Experimental results show that Monai-UNet reduces the training time by 78% compared to the traditional UNet model and increases the segmentation accuracy by 13%. On the other hand, it was determined that the WSN-UNet model reaches a similar accuracy level with 49% fewer parameters compared to the traditional UNet model. These findings may encourage new research on the use of more optimized and efficient models in the field of image segmentation.
Özet
Görüntü bölütleme uygulamalarında yaygın olarak kullanılan UNet modeli, yüksek parametre sayısı, konvolüsyon ağırlık parametrelerini bağımsız değişkenler olarak güncellemesi ve sabit boyutta giriş gereksinimi gibi bazı önemli sınırlılıklara sahiptir. Bu çalışmada, geleneksel UNet modeli ile iki farklı türevinin (Monai-UNet ve WSN-UNet) bölütleme performansları karşılaştırılmıştır. Monai-UNet, görüntüleri bütün olarak değil, parçalar halinde öğrenerek veri işleme sürecini optimize etmektedir. WSN-UNet ise, UNet’in kodlama katmanının yerine dalgacık saçılım ağı (Wavelet Scattering Network) entegre edilerek oluşturulmuştur. Modellerin bölütleme performanslarını değerlendirmek amacıyla farklı karakteristik özelliklere sahip dört farklı veri kümesi (Diş, Hücre, STN ve Kalem) kullanılmıştır. Deneysel sonuçlar, Monai-UNet’in eğitim süresini geleneksel UNet modeline kıyasla %78 oranında azalttığını ve bölütleme doğruluğunu %13 oranında artırdığını göstermektedir. Öte yandan, WSN-UNet modelinin geleneksel UNet modeline kıyasla %49 daha az parametre ile benzer doğruluk seviyesine ulaştığı belirlenmiştir. Bu bulgular, görüntü bölütleme alanında daha optimize ve verimli modellerin kullanımına yönelik yeni araştırmaları teşvik edebilecek niteliktedir.