這有什麽放棄的,照著別人的論文魔改一下,水就是了
U-Net 在FCN 的基礎上
增加了
上采樣
操作的次數和
跳躍連線
,使用跳躍連線將
解碼器
的輸出特征與
編碼器
的語意特征融合,提高了分割精度,改善了 FCN 上采樣不足的問題
。
U-Net中沒有全連線層,
透過互連摺積與
反摺積
過程中的特征,將上下文資訊傳遞到更高層,實作了資訊補充
;另外,其
網絡深層的摺積特征圖中包含了分割的抽象特征,有利於像素分類
,具有語意分割模型的端對端特點。U-Net 具有
數據量需求小和訓練速度快的特點
,在標記數據稀缺的醫學影像分割領域得到了廣泛套用。
然而,僅使用
U-Net
不能滿足對小病竈分割精度的需求,因此一些研究以 U-Net 作為基準模型,此外還有不少網絡結構效果也不錯。
知識蒸餾網絡結構
FCN 分割網絡架構
決策級融合網絡結構
AG-Net 結構
並列編碼器
—解碼器網絡結構
層級融合網絡結構
TSBTS 網絡結構
混合級聯網絡結構
輸入級融合網絡結構
以病例影像分割為例,首先病理影像分割的挑戰如下:
(1) 由於組織病理影像中組織基元