大数据最全DC-UNet：重新思考UNet架构和双通道高效CNN医学图像_unet改进(1)

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。