论文笔记2.5D lightweight RIU-Net for automatic liver and tumor segmentation from CT

用于CT自动肝脏和肿瘤分割的2.5D轻量级RIU-Net

ELSEVIER  Biomedical Signal Processing and Control 2022

 InceptionV1-V3 and convolution conversion

RIU-Net 的整体结构

       在医学图像分割中，充分利用好医学图像切片间的空间信息是至关重要的。直接将3D图像输入到网络中，3D 图像会占据巨大的内存，或者直接将3D图像转换为2D图像，这样也是不可取的，直接抛弃了医学图像切片间的空间信息。所以出现了2.5D的思想（即将一叠相邻切片作为网络的输入，并生成与中心切片的分割图）这样既能节省计算资源也能利用好空间信息。

       网络架构是以U-Net为原型设计的，模型依旧呈现出对称结构，左半部分是编码器，用于特征提取，右半部分是解码器，用于定位感兴趣区域，编码器与解码器之间普通的跳跃连接，实现低级语义信息与高级语义特征之间的组合。整体框架由9个RI(Res-Inception)模块、4个下采样层、4个上采样层和一个 1×1的卷积层组成。

       总结一下，这篇论文提出了一种医学图像肝脏与肝肿瘤分割网络，核心思想是建立一个提取图像多尺度信息又可以充分节省计算资源的轻量级网络。引入了残差，结合不同分辨率的特征图，可以避免过拟合。为了节省计算资源，将 U-Net 中的所有卷积序列替换成 Inception 模块，不仅减少了参数量也能够提取更多图像特征（因为在肝脏与肝肿瘤分割中，尤其是肿区域大小不一，如果使用U-Net中固定的卷积序列，势必会导致感受野受到限制，降低分割精度。这样的设计可以用不同的卷积核来获得图像不同尺度的感受野，来保障分割精度）。最后，采用结合BCE和Dice的混合损失函数来加速收敛并提高准确性。