轻量级的肝脏与肝肿瘤 2.5D 分割网络阅读笔记

文章目录

• 1 前言
• 2 方法概述
  • 2.1 InceptionV1-V3 and convolution conversion
  • 2.2 Residual block
  • 2.3 2.5D 网络
• 3 RIU-Net 的整体结构
• 4 实验和可视化
• 5 总结

1 前言

最近一直在读医学图像的论文，于是我打算写一个系列的阅读笔记，语言比较精简。在上一篇阅读笔记（https://zhuanlan.zhihu.com/p/505483978）中，分析了医学图像分割的混合 Transformer 网络：UTNet，在这一篇笔记中介绍的网络与 UTNet 思路完全不同，追求的是比 U 型网络更轻量级，但准确率更高的设计。还是先给下论文地址（刚刚接收）： https://www.sciencedirect.com/science/article/abs/pii/S1746809422000891 。

首先分析下这篇论文的动机，对于 LITS17 和 3DIRCADb 这类肝脏与肝肿瘤数据集，3D 卷积网络具有学习上下文特征的能力，有效利用 CT 图像的空间信息，但是训练和部署也会消耗大量计算资源。所以，既能利用切片间的空间信息，并且保证分割精准度，就是论文需要解决的问题。本篇阅读笔记首先对论文中涉及的方法进行概述；再详细介绍论文提出的 RIU-Net 结构；最后分析了实验和分割可视化部分，并简单的总结。

2 方法概述

这一部分作为前置依赖，类似于 Related Work，对涉及网络结构熟