论文笔记:Non-local U-Nets for Biomedical Image Segmentation

最新推荐文章于 2022-07-18 19:04:27 发布

原创

最新推荐文章于 2022-07-18 19:04:27 发布 · 1k 阅读

收录于

本文是一篇关于非局部U-Net在医疗图像分割领域的论文笔记，探讨了U-Net在医疗图像处理中的局限性，提出了一种结合全局信息的改进方法。非局部U-Net引入了Global Aggregation Block，通过非局部操作整合全局上下文，提高了模型性能。实验在三种任务上展示了优于传统U-Net和CC-3D-FCN的分割效果。

因为是一篇医疗图像的论文所以看看大概做成什么样子，中了AAAI2020

U-Net

与自然图像不同，在医疗图像上U-Net被应用地较为广泛，具体原因可以参考知乎这篇回答。
网络结构之前讨论过了，如下：
在这里插入图片描述

motivation

2个limitations：
1. 卷积和下采样操作都是local的，只能提取局部信息。长距离信息需要通过大量堆叠卷积和下采样操作得到。因为feature map的数量会在线下采样之后double，大量的参数会导致模型不那么efficient。更多的下采样操作会导致更多的空间信息的丢失。
2. 上采样的过程也是相似，然而由于没有考虑到global information，所还原的空间信息是"hard"的。

method

在此基础上，提出了non-local U-Net。
U-Net网络结构作者也给出：
在这里插入图片描述
其中input/output block, down-sampling residual block，bottom block，up-sampling residual block分别如下图a,b,c,d：

为了整合全局信息，作者还提出了Global Aggregation Block。其中unfold指的是把 $D * H * W * C$ 的向量转化为 $(D * H *$