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