LadderNet
摘要
U-Net已经在许多医学图像分割问题上提供了最先进的性能。对U-Net提出了许多修改,如attention U-Net、residual convolutional U-Net (R2-UNet)和带有剩余块或密集连接块的U-Net。然而,所有这些修改都具有带有跳过连接的编码器和解码器结构,并且信息流的路径数量有限。在本文中,我们提出一个梯子网,它可以被看作是一个多u形网的链。在U-Net中,一个梯形网不仅有一对编码器分支和解码器分支,而且有多对编码器-解码器分支,并且在每一层的每一对相邻的解码器分支和解码器分支之间都有跳过连接。受到ResNet和R2-UNet成功的启发,我们使用了修改后的残差块,其中一个块中的两个卷积层共享相同的权重。由于跳跃连接和残差块的存在,梯形网有更多的信息流路径,可以看作是全卷积网络(FCN)的集合。FCNs集合的等价性提高了分割精度,而每个残差块中的共享权值减少了参数数量。语义分割是视网膜疾病检测的关键。我们在视网膜图像血管分割的两个基准数据集上测试了LadderNet,取得了优于文献方法的效果。
1.介绍
深度学习在图像分类、语义分割、目标识别、运动跟踪和图像字幕[1]等许多计算机视觉任务中取得了最先进的性能。自AlexNet[2]成功完成对ImageNet数据集[3]的分类任务以来,卷积神经网络得到了广泛的应用,其原因主要有以下几个方面:一是当前存在大量的数据集和强大的计算资源;其次,图像上的卷积操作具有平移不变性,能够实现特征提取的权值共享;三是激活函数的成功,如整流线性单元(ReLU);四是随机梯度下降(SGD)、亚当优化(Adam opt