V-Net
写在开头:
决定开一个新的专栏,用来记录自己读论文后的一些整理总结,主要以ppt的形式展示,这里我只放图片,有需要可以私信我.
论文:V-Net:Fully Convolutional Neural Networks for Volumetric Medical Image Segmentation
链接: https://pan.baidu.com/s/1n4Nj_WypquLYP8gkHYrgQA.
提取码:dr4r
每个阶段包含1-3个卷积(适当扩充)从数据中提取特征。
我们制定每个阶段,使其学习Residual Function,每个阶段的输入是:(a)通过卷积层并通过非线性处理,(b)添加到该阶段最后一个卷积层的输出,以便能够学习Residual Function。
在每个阶段结束后使用222的体素应用步幅2来降低分辨率。
最后一个卷积层的卷积核是1×1×1的大小并产生与输入体积相同大小的输出的两个特征图通过soft-max将体素被转换为前景和背景区域的概率分割。
将从左侧早期提取的特征转发到右侧(可以收集在下采样过程中丢失的一些细粒度细节)
- 感兴趣的部分占很少的一个部分,会导致预测结果偏向背景。之前的网络使用基于re-weighting的损失函数。
- 我们提出了一个基于Dice系数的新目标函数,值范围是0到1, 我们的目标是使这个系数最大化(集合相似度度量函数,通常用于计算两个样本的相似度)。
- Re-weighting(重赋权):对每个样本附加一个权重,涉及到样本属性与标签的计算,都需要乘上一个权值。
基于Dice系数的损失(绿色)和重赋权soft-max的损失(黄色)获得的结果之间的定性比较。
Axial代表轴位,Coronal代表冠状位,Sagittal代表矢状位
写在篇尾:该文章是建立在论文上的理解,只用于沟通交流,不作为商用。