Unet变形——融合片间特征和片内特征的H-DenseUnet

已于 2022-12-01 16:50:58 修改
阅读量1.3w 收藏 75
点赞数 7
分类专栏： 论文有感 文章标签： unet 分割 深度学习 医学图像
于 2018-11-01 15:23:47 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/liuestcjun/article/details/83621121
版权
该博客介绍了H-DenseUnet，一种结合2D DenseUNet和3D DenseUNet的新型网络结构，用于解决二维卷积无法充分利用三维空间信息以及三维卷积计算资源需求高的问题。通过混合特征融合(HFF)层，H-DenseUnet在保持高效训练的同时，能有效提取和融合片内及片间的特征，提高了医学图像分割的准确性。
摘要由CSDN通过智能技术生成

我为什么阅读这篇文献？

最近研究了一下分割领域，从经典的FCN到后来的UNET发展到现在，除了一些UNET的扩展变换之类的，在二维图像上处理已经达到了一个瓶颈，甚至出现了利用label来自动选择最小ROI再进行分割的方式，即使这样，作者也只达到了86.70±3.51的准确率，参见Yijun Liu等人的工作。而我导师总是在说这种方式没有利用到三维的连贯信息，如何利用分割的部位在空间上的连贯性是提高准确率的一个重要的方式。

那么在搜集相关文献时，发现本文就是利用了这种思想，所以在此仔细阅读了几遍。

本文亮点

  1. 本文解决了在3D训练中对GPU、内存等消耗过大的问题；
  2. 本文融合2D与3D进行训练提取特征，充分利用了上下文信息；

文章摘要

近年来，全卷积神经网络(FCNs)，包括二维和三维FCNs，在许多体图像分割中起着重要的作用。然而，二维卷积不能充分利用三维空间信息，而三维卷积的计算量和GPU内存消耗都很大。为了解决这些问题 文中提出了一种新的混合密集连接的UNET(H-DenseUNet)，它包括一个用于有效提取片内特征的2D denseUNet和一个用于分层聚合的3D DenseUNet对应体分割。其中片内和片间特征可以通过混合特征融合(HFF)层联合优化。

文章框架

  • 文章设计了一个DenseUNet用来有效地探测
最低0.47元/天 解锁文章
钧娃
关注
  • 7
    点赞
  • 踩
  • 75
    收藏
    觉得还不错? 一键收藏
  • 17
    评论
专栏目录
H-DenseUNet: Hybrid Densely Connected UNet for Liver and Tumor Segmentation From CT Volumes
qq_38565134的博客
05-16 4149
Abstract 肝癌是导致癌症死亡的主要原因之一。为了辅助医生进行肝细胞癌的诊断和治疗规划，在临床实践中迫切需要一种准确、自动化的肝肿瘤分割方法。近年来，全卷积神经网络(FCNs)，包括二维和三维的FCNs，成为许多体积图像分割的主干。**然而，二维卷积不能充分利用三维空间信息，而三维卷积计算成本高，GPU内存消耗大。**为了解决这些问题，我们提出了一种新的混合密集连接的UNet (H-Den...
H-DenseUNet: Hybrid Densely Connected UNet for Liver and Tumor Segmentation from CT Volumes
qq_42079689的博客
12-05 1429
H-DenseUNet: Hybrid Densely Connected UNet for Liver and Tumor Segmentation from CT Volumes论文亮点摘要介绍方法用于切片间特征提取的深度2D DenseUNet用于混合特征探索的H-DenseUNet损失函数、训练过程与测试过程实验与结果   这篇论文发表于2018年的IEEE Transactions on...
计算机视觉——基于改进UNet图像增强算法实现
最新发布
知来者逆的博客
05-12 1263
在低光照条件下进行成像非常具有挑战性，因为光子计数低且存在噪声。高ISO可以用来增加亮度，但它也会放大噪声。后处理，如缩放或直方图拉伸可以应用，但这并不能解决由于光子计数低导致的低信噪比（SNR）。短曝光图像受到噪声的影响，而长曝光可能会引起模糊，通常也不切实际。已经提出了各种去噪、去模糊和增强技术，但在极端条件下，如夜间视频速率成像，它们的有效性是有限的。有物理手段可以增加低光照下的SNR，包括打开光圈、延长曝光时间以及使用闪光灯。
unet模型及代码解析
热门推荐
qq_43537701的博客
11-06 5万+
什么是unet 一个U型网络结构，2015年在图像分割领域大放异彩，unet被大量应用在分割领域。它是在FCN的基础上构建，它的U型结构解决了FCN无法上下文的信息和位置信息的弊端（下文细说） Unet网络结构 主干结构解析 左边为特征提取网络，右边为特征融合网络 特征提取网络 由两个3x3的卷积层（RELU）再加上一个2x2的maxpooling层组成一个下采样的模块，一共经过4次这样的操作 特征融合网络 由一层反卷积+特征拼接concat+两个3x3的卷积层（ReLU）反复构成，一共经过4次这样的操
图像多尺度特征融合、特征金字塔总结
qq_40602790的博客
04-10 3万+
图像多尺度特征融合、特征金字塔总结
【医学精选】医学分割系统：Axial_attention＆FCN-UNet
cheng2333333的博客
12-14 401
【医学精选】医学分割系统：Axial_attention＆FCN-UNet
IterNet——迭代式U-Net变形
Philo的博客
10-24 1388
输入包括三个部分，一个是BaseUNet倒数第二层的输出，一个是BaseUNet第二层的输出，最后一个就是前一层的Mini-UNet倒数第二层的输出，将三个输入使用cat进行通道链接，同时使用1*1卷进进行通道降维。输入包括两个部分，一个是BaseUNet倒数第二层的输出，一个是BaseUNet第二层的输出。后期真正开始进行实验的时候，可以作为一个Baseline，等用到了再复现吧！和原始UNet的结构是一样的，保留着其本身强劲的分割能力。说和没说一样的，后期复现代码的时候回来填坑。
H-DenseUNet:TMI2018。H-DenseUNet
05-03
H-DenseUNet：用于CT卷中肝脏和肿瘤分割的混合密集连接UNet，TMI 2018。 作者：，，，，。介绍该存储库用于我们的TMI 2018论文`` ''。环境： This code is only tested under python2. Check code environment ...
SmaAt-UNet:论文“ SmaAt-UNet的PyTorch代码
05-09
SmaAt-UNet 论文代码“ SmaAt-UNet：使用小型体系结构进行降水临近预报” ， 建议的SmaAt-UNet可以在下的模型文件夹中。 在本文中，我们使用了模块（PL），该模块简化了培训过程，并允许轻松添加记录器和创建检查...
Unet-train_UNet_Unet去噪_u-net图像分割_u-net_Unet-train
09-11
U-Net是一种在图像分割领域广泛应用的卷积神经网络（CNN）架构，由Olaf Ronneberger、Philipp Fischer和...通过Python和TensorFlow库实现的"Unet-train.py"文件，是训练和优化U-Net模型以解决具体问题的关键步骤。
SA-UNet:SA-UNet的开源代码
05-04
我们在Ubuntu 16.04上进行培训和评估，它也适用于Windows和OS。 数据集 数据扩充： （1）随机轮换； （2）增加高斯噪声； （3）色彩抖动； 2. （4）水平，垂直和对角线翻转。 如果您不想进行上述扩充，只需从我的...
四个分割代码(包括unet,fpn,psp,linkenet,和用unet做回归)
04-17
Python代码,内涵五个网络,有安装教程(readme),网络权重.
unet-面向医学领域的深度学习实战，视频和代码
12-27
这种结构使得网络可以学习到从原始图像到目标分割图像的精细特征。 面向医学领域的深度学习实战，U-Net可以应用于多种任务，如医学图像分割、目标检测、疾病诊断等。以下是一个使用U-Net进行医学图像分割的简单实战...
unet 网络结构
qq_40107571的博客
10-03 1万+
unet 网络结构
UNet变体
69小石头的博客
01-06 6011
一、《U-Net: Convolutional Networks for Biomedical Image Segmentation》 二、《UNet++: A Nested U-Net Architecture for Medical Image Segmentation》 图1：（a）UNet ++由编码器和解码器组成，它们通过一系列嵌套的密集卷积块连接。 UNet ++背后的主要思想是在融合之前弥合编码器和解码器的特征图之间的语义鸿沟。 例如，（X0; 0，X1; 3）之间的语义鸿沟是使用具有三
图像分割的U-Net系列方法
qq_43703185的博客
03-25 2310
原文链接:https://zhuanlan.zhihu.com/p/57530767 图像分割的U-Net系列方法在图像分割任务特别是医学图像分割中，U-Net[1]无疑是最成功的方法之一，该方法在2015年MICCAI会议上提出，目前已达到四千多次引用。其采用的编码器（下采样）-解码器（上采样）结构和跳跃连接是一种非常经典的设计方法。目前已有许多新的卷积神经网络设计方式，但很多仍延续了U-Net...
论文阅读——U-Net论文总结与复现
无风而起的博客
11-15 2316
论文【U-Net: Convolutional Networks for Biomedical Image Segmentation】2015 MICCAI UNet是为了解决医学图像分割问题而提出的CNN模型，谷歌学术目前引用已经达到20000左右，是非常有影响力的工作。 UNet沿袭了FCN中的编码器-解码器结构，并将浅层与深层信息的融合做的更加彻底。论文中网络结构图如下： 上图的左边就是编码器部分，这里通过不断进行卷积和池化的操作将输入图像的特征图尺寸不断变小，将特征图通道数不断增加。可以看到UNe
运行网络时，loss始终不下降，MAE保持在0.5
kefnbsow的博客
05-07 3818
网络问题 数据问题 经过排查，发现使用next_batch()函数取出的数据有问题，因为输入数据大小不一致，所以我使用 list() 来保存数据，因此读取出来的数据形式是list，导致上述问题 ...
UNet++ 论文翻译
张齐贤的博客
11-04 3953
题目：UNet++: A Nested U-Net Architecture for Medical Image Segmentation UNet++：一种用于医学图像分割的嵌套U-Net体系结构 摘要：在本文中，我们提出了一种新的、更强大的医学图像分割体系结构UNet++。我们的架构本质上是一种深度监督的编解码器网络，其中编码器和编解码器子网通过一系列嵌套的、密集的跳跃路径连接起来。重新设计的跳跃路径旨在缩小编码和解码子网络 特征映射之间的语义鸿沟-。我们当解码器和编码器网络的特征映射在语义上相似时，优
UNet和深浅层特征融合
02-20
UNet是一种常用于图像分割任务的深度学习网络结构。它的设计灵感来自于编码器-解码器结构，通过对称的卷积和上采样操作实现了特征的逐层传递和融合。UNet的主要特点是具有跳跃连接，可以将浅层特征与深层特征进行融合，从而提高了分割结果的准确性。 UNet的网络结构可以分为两个部分：编码器和解码器。编码器部分由多个卷积层和池化层组成，用于提取图像的高级特征。解码器部分由多个上采样层和卷积层组成，用于将编码器提取的特征进行逐层恢复和重建。在解码器的每一层，UNet都会将对应的编码器层的特征进行融合，以保留多的细节信息。 深浅层特征融合是指将不同层次的特征进行结合，以获取更全面和丰富的信息。在UNet中，深浅层特征融合通过跳跃连接实现。跳跃连接将编码器中的浅层特征直接与解码器中对应的层级特征进行连接，使得网络可以同时利用低级和高级特征进行分割任务。这种融合方式可以帮助网络更好地捕捉不同尺度的特征，提高分割结果的准确性和细节保留能力。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 17
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值