标签：Convolutional Segmentation Network 编码器 网络 图像 Net 体系结构
DoubleU-Net: A Deep Convolutional Neural Network for Medical Image Segmentation 论文翻译
1 Ready
论文：DoubleU-Net: A Deep Convolutional Neural Network for Medical Image Segmentation 论文翻译
论文下载：Arxiv: DoubleU-Net: A Deep Convolutional Neural Network for Medical Image Segmentation
2 为什么做这个研究
人工智能在医学上仍然是一个新兴的领域。医学领域重大挑战之一就是缺乏数据集。此外获得数据集往往是不平衡的。在某种程度上来说，自然成像来说的目前的性能是可以接受的，但是在医学成像中，有许多具有挑战性的图像（例如结肠镜检查中的扁平息肉），这些图像通常在结肠镜检查中被遗漏，如果不进行早期检测，这些图像可能会发展成癌症。 因此，需要一种更精确的医学图像分割方法来处理具有挑战性的图像。 为了解决这一需要，我们提出了双 U-Net 体系结构，该结构产生了具有挑战性的图像的高效输出分割掩码。
3 本文解决什么问题？
该文章提出了一个新的双U-Net 的结构，两个编码器和两个解码器的结构，网络中使用第一个编码器是预训练的VGG-19，Atrous空间金字塔，其余都是重新开始构建的
在多个数据集进行实验，分别是：两个不同的数据集来自结肠镜，一个来自皮肤镜，最后一个是来自显微镜。 与2015年MICCA子挑战的基线算法相比，双 U-Net 在自动息肉检测数据集、CVC-斜纹 DB 数据集、ISIC-2018 的病变边界分割挑战和 2018 年数据科学碗挑战数据集上显示出更好的分割性能
)]
4 怎么做？
图 1 显示了我们提出的架构的概述。 从图中可以看出，双U-Net开头是以VGG-19作为编码器的子网络，而后跟随着的是解码器的子网络。U-Net和双U-Net网络不同的是：在第一个网络中有使用了被标记成黄色VGG-19的网络，ASPP网络被标记成蓝色，和编码器网络被标记成绿色。 squeeze-and-excite 网络模块被用在第一个网络的编码器和第一和第二网络的解码器中。 在第一个网络的输出与第二个网络的输入之间执行元素乘法。 双 U-Net的第二网络中的 U-Net 只是使用 ASPP 和squeeze-and-excite 。 所有其他组件保持不变。
在网络 1 中，输入图像被输送到修改后的 U-Net，该 U-Net生成一个预测的mask1（输出 1）。 然后，我们将输入图像和预测的mask(输出1)相乘，后者充当产生另一个网络2的预测的mask2(Output2)的第二个修改后的 U-Net 的输入)。 最后，我们将mask1 和 mask2连接起来，用来查看中间**mask1(Output1)和最终预测mask2(Output2)**之间的定性差异)。
我们假设网络 1 产生的输出特征映射仍然可以通过输入图像及其相应的mask1来改进，并且与 mask2 连接将产生比前一个更好的分割掩码。 这是在所提出的体系结构中使用两个 U-Net 体系结构的主要动机。 所提出的网络中的 squeeze-and-excite 减少了冗余信息，并传递了最相关的信息。 ASPP 一直是现代分割体系结构的一个流行选择，因为它有助于提取高分辨率的特征映射，从而获得优越的性能[18]
5 不足之处
双 U-Net 的一个限制是它使用的参数比 U-Net 更多，这导致了训练时间的增加。 在未来，研究应更多地集中在设计参数较少的简化体系结构，同时保持其能力
标签：Convolutional,Segmentation,Network,编码器,网络,图像,Net,体系结构 来源： https://blog.csdn.net/u010358801/article/details/112366865
本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享； 2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关； 3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关； 4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除； 5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。