3D Densely Convolutional Networks for Volumetric Segmentation论文阅读

Abstract.
在等强度阶段，由于组织之间的低对比度，准确的体积图像分割是一项具有挑战性的任务。在本文中，我们提出了一种基于密集卷积网络的新型超深网络架构，用于体积大脑分割。所提出的网络架构提供了层之间的密集连接，旨在改善网络中的信息流。通过连接细密块和粗密块的特征图，它允许捕获多尺度上下文信息。实验结果表明，在 6 个月婴儿脑 MRI 分割的 MICCAI 大挑战中，所提出的方法在分割精度和参数效率方面比现有方法具有显着优势。
1 Introduction
体积脑图像分割旨在将脑组织分成不重叠的区域，例如白质 (WM)、灰质 (GM)、脑脊液 (CSF) 和背景 (BG) 区域。准确的体积图像分割是量化结构体积的先决条件。然而，组织之间的低对比度往往会导致组织被错误分类，这会阻碍准确分割。因此，自动大脑分割的准确性仍然是一个活跃的研究领域。

最近，深度卷积神经网络 [9] 在医学图像分割方面取得了巨大成功 [11, 12, 15]。例如，Çiçek 等人。 [2] 提出了一种 3D U-net，它收缩跳过层并学习上采样部分以产生全分辨率分割。陈等人。 [1] 提出了一种体素残差网络，通过身份连接将信号从一层传递到下一层，用于大脑分割。但是，连接是从早期层到后期层的短路径。为了解决这个问题，Huang [6] 引入了一个 DenseNet，它提供了从任何层到所有后续层的直接连接，以确保层之间的最大信息流。它显示出随着深度网络的增加，准确性不断提高。 Yu [14] 将 DenseNet 扩展到体积心脏分割。它使用两个密集块，然后通过池化层存储减少特征图分辨率，然后通过学习到的反卷积层的堆栈恢复分辨率。这些堆栈反卷积层通常会生成更大的学习参数，这些参数会为训练过程占用大量内存。它也可能无法捕获多尺度上下文信息，导致性能不佳。

在本文中，我们提出了一种基于密集卷积网络的新型超深网络架构，用于体积大脑分割。首先，我们通过连接允许捕获多尺度上下文信息的细密块和粗密块的特征图来结合局部预测和全局预测。在传统的 DenseNet 架构 [6] 中，池化层通常用于降低特征分辨率并增加抽象特征表示；但是，它可能会丢失空间信息。为了保留空间信息，我们将池化层替换为步幅为 2 的卷积层。它只增加了少量的学习参数，但显着提高了性能。其次，我们使用带压缩（BC）的瓶颈模型来减少每个密集块中特征图的数量以减少学习参数的数量导致计算效率高于现有方法实验结果表明，在 6 个月婴儿脑 MRI 分割的 MICCAI 大挑战中，所提出的方法在分割精度和参数效率方面比现有方法具有显着优势。我们的实施和网络架构可在网站上公开获取
2 Methods
在本节中，我们首先简要回顾 DenseNet [6] 处理分类任务中退化问题的关键概念。然后，我们提出了一种新颖的网络架构，将 DenseNet 扩展到体积分割。
2.1 DenseNet: Densely Connected Convolutional Network
特别是，由于梯度消失/爆炸[5]，深度网络架构的性能随着网络深度的增加而饱和。为了解决退化问题，Huang [6] 引入了一种 DenseNet 架构，该架构通过连接所有先前层的特征图来提供从任何层到后续层的直接连接。

为了减少输入特征图的数量，在每个 3×3 卷积之前引入一个 1×1 卷积层作为瓶颈层。To reduce the the number of the input feature maps, a 1 × 1 convolution layer is introduced as bottleneck layer before each 3×3 convolution.
为了进一步提高模型的紧凑性，一个过渡层包括一个批归一化层 (BN) [7]、一个 ReLU [3] 和一个 1 × 1 卷积层，然后是 2 × 2 池化层 [9]，用于减少特征图分辨率。To further improve model compactness, a transition layer that includes a batch normalization layer (BN) [7], a ReLU [3] and a 1 × 1 convolutional layer followed by 2 × 2 pooling layer [9], is used to reduce the feature maps resolution.

2.2 3D-DenseSeg: A 3D Densely Convolution Networks for Volumetric Segmentation
图 1 说明了提出的用于体积分割的网络架构。它由 47 个层组成，有 155 万个学习参数。该网络包括两条路径：下采样和上采样。**下采样旨在降低特征图分辨率，并增加感受野。**它由四个密集块执行，其中每个密集块由四个 BN-ReLU-Conv(1 × 1 × 1)-BN-ReLU-Conv(3 × 3 × 3) 组成，增长率 k = 16。

我们在密集块中的每个 Conv(3 × 3 × 3) 层之后使用丢弃率为 0.2 的丢弃层 [13] 来解决过拟合问题。在两个连续的密集块之间，过渡块包括 Conv(1 × 1 × 1)，θ = 0.5，然后是步幅为 2 的卷积层，用于降低特征图分辨率，同时保留空间信息。转换块用作处理有限数据集的深度监督，但不那么复杂，并且忽略了辅助损失和主要损失之间的调整权重平衡。在进入第一个密集块之前，我们使用三个卷积层提取特征，生成 k0=32 个输出特征图。
The transition block serves as a deep supervision to handle with the limited dataset, but less complicated and ignoring the tuning weight balance between the auxiliary and main losses. Before entering the first dense block, we extract feature by using three convolution layers that generate k0= 32 output feature maps.
在上采样路径中，3D-Upsampling 算子用于恢复输入分辨率。特别是，较浅的层包含局部特征，而较深的层包含全局特征[10]。为了做出更好的预测，我们在每个密集块之后执行上采样并组合这些上采样特征图。来自不同级别的上采样特征图的串联允许捕获多个上下文信息。由 Conv(1 × 1 × 1) 组成的分类器用于将串联特征图分类为目标类（即大脑的四个类）。最后，可以使用 softmax 分类获得大脑概率图。
The concatenation from the different level of up-sampling feature maps allows capturing multiple contextual information. A classifier consisting of a Conv(1 × 1 × 1) is used to classify the concatenation feature maps into target classes (i.e four classes for the brain).Finally, the brain probability maps can be obtained using softmax classification.

权重衰减为 0.0005，动量为 0.97。由于 GPU 内存有限，我们随机裁剪了大小为 64 × 64 × 64 的子卷样本作为网络的输入。我们使用投票策略从重叠子卷的预测中生成最终分割结果。
weight decay of 0.0005 and a momentum of 0.97. Due to the limited GPU memory, we randomly cropped sub-volume samples with size of 64 × 64 × 64 for the input of the network. We used voting strategy to generate the final segmentation results from the predictions of the overlapped sub-volumes.
4 Discussion and Conclusion
通过从粗到细的连接信息，所提出的网络架构允许捕获多个上下文信息。所提出的网络比现有方法更深，因此可以捕获更多信息。将池化层替换为步长为 2 的卷积以保留空间信息。我们进一步结合了多模态信息以进行准确的大脑分割。对真实 MR 图像的定量评估和与现有方法的比较证明了所提出的方法在分割精度和参数效率方面的显着优势。未来，我们将探索所提出的网络架构，以解决肿瘤分割等困难任务。

3D Densely Convolutional Networks for Volumetric Segmentation论文阅读相关推荐

Fully Convolutional Networks for Semantic Segmentation (FCN)论文翻译和理解
论文题目:Fully Convolutional Networks for Semantic Segmentation 论文来源:Fully Convolutional Networks for Se ...
【论文翻译】Fully Convolutional Networks for Semantic Segmentation
论文题目:Fully Convolutional Networks for Semantic Segmentation 论文来源:Fully Convolutional Networks for Se ...
FCN-Fully Convolutional Networks for Semantic Segmentation
FCN- Fully Convolutional Networks for Semantic Segmentation Abstract 1. introduction 2.相关工作 3.Fully ...
论文精读及分析：Fully Convolutional Networks for Semantic Segmentation
本文主要内容为论文<Fully Convolutional Networks for Semantic Segmentation> 的阅读笔记,在原始论文的基础上加入了自己的一些理解, ...
论文笔记《Fully Convolutional Networks for Semantic Segmentation》
[论文信息] <Fully Convolutional Networks for Semantic Segmentation> CVPR 2015 best paper key word: ...
【论文笔记】FCN：Fully Convolutional Networks for Semantic Segmentation
<Fully Convolutional Networks for Semantic Segmentation>,CVPR 2015 文章目录 1. 概览 2. 主要亮点 2.1 全卷积化 ...
论文笔记（FCN网络，语义分割）：Fully Convolutional Networks for Semantic Segmentation
FCN论文笔记:Fully Convolutional Networks for Semantic Segmentation 语义分割模型结构时序: FCN SegNet Dilated Convol ...
Fully Convolutional Networks for Semantic Segmentation ————全卷积网络 FCN论文解读
Fully Convolutional Networks for Semantic Segmentation 作者: Jonathan Long, Evan Shelhamer, Trevor Dar ...
FCN的学习及理解（Fully Convolutional Networks for Semantic Segmentation）
大多数人接触"语义"都是在和文字相关的领域,或语音识别,期望机器能够识别你发出去的消息或简短的语音,然后给予你适当的反馈和回复.嗯,看到这里你应该已经猜到了,图像领域也是存在&qu ...

3D Densely Convolutional Networks for Volumetric Segmentation论文阅读

3D Densely Convolutional Networks for Volumetric Segmentation论文阅读相关推荐

最新文章

热门文章