2024年最全DC-UNet：重新思考UNet架构和双通道高效CNN医学图像_unet改进，2024年最新瞬间高大上了

网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。

需要这份系统化资料的朋友，可以戳这里获取

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！

本文提出了一种双通道UNet模型-DC-UNet

方法

MultiResUNet

在医学图像中，感兴趣的目标对象常常有所不同，因此为了更好的分割结果，网络需要具备在不同的尺度上分析不同目标的能力。基于这一思想，Szegedy[27]引入了一种革命性的架构——Inception Block。该初始块利用不同内核大小的卷积层并行从图像中提取不同尺度的特征。初始块如图2所示。在最初的版本中，初始块简单地将1 × 1,3 × 3,5 × 5卷积层和3 × 3最大池化层并行组合。然后，将不同尺度的特征进行拼接，发送到下一层。然而，这个版本的一个大问题是维数会导致计算爆炸

如图2中（b）的降维版本解决了这一问题，在计算3x3和5x5的卷积之前，使用1x1的卷积层来降维。

虽然可以使用1x1的卷积层来降低维度，但是使用更大的卷积核来进行卷积也是相当耗时的，因此Inception模块可以进一步简化为下图所示的结构使用两个3x3的卷积来代替一个5x5的卷积。

另外还使用了多个3x3的卷积来代替7x7的卷积，如下图所示：

整个MulitResUnet的网络结构如下图所示：

DC-UNet

动机：MultiResUNet可以提供比U-Net更好的输出，因为它可以提供不同尺度的特征。然而，对于一些极具挑战性的医学图像情况，MultiResUNet表现不佳，例如物体模糊，背景(部分医疗设备)的干扰。MultiRes块的目标是提供不同尺度的特征来帮助将物体从整个图像中分离出来。因此，我们修改了MultiRes块以提供更有效的功能。

改进：之前使用的MultiResUnet缺乏清晰的分割边界，本文通过设计一个更有效的CNN架构来提取更多的空间特征来解决这个问题。发现不同尺度的特征对分割有很大的帮助。因此，我们假设，如果我们能够提供更多不同规模(更有效)的特性，那么那些最具挑战性的任务将得到解决。

网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。

需要这份系统化资料的朋友，可以戳这里获取

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！

行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！**