1、该文章的动机是什么?要解决什么问题?
该文章的动机是提出一种新的神经网络架构,名为UNet++,用于医学图像分割。该模型旨在解决现有模型在处理医学图像时存在的问题,例如对小目标的分割效果不佳、对深层特征的利用不足等。因此,UNet++的目标是提供更准确的医学图像分割结果。
2、该文章的创新点是什么?贡献了什么?
该文章的创新点是提出了一种新的神经网络架构,名为UNet++,用于医学图像分割。相比于现有的模型,UNet++在以下方面做出了贡献:1)通过重新设计跳跃连接,利用多尺度特征提高了分割效果;2)提出了一种新的剪枝方案,可以在不影响分割效果的情况下提高推理速度;3)在多个数据集上进行了实验,证明了UNet++的有效性和泛化性。4)在UNet++中引入了一个内置的深度可变的U-Net集合,可为不同大小的对象提供改进的分割性能,这是对固定深度U-Net的改进
3、用到了什么技术?
该文章使用了深度学习技术,具体地说,使用了卷积神经网络(CNN)进行医学图像分割。在网络架构方面,该文章提出了一种新的神经网络架构,名为UNet++,并通过重新设计跳跃连接和引入新的剪枝方案来提高分割效果和推理速度。此外,该文章还使用了多个数据集进行实验,以证明UNet++的有效性和泛化性
4、输入是什么?输出是什么?
该文章使用的输入是医学图像,包括电子显微镜图像、细胞CT图像、核图像、脑部MRI图像、肝脏CT图像和肺部结节CT图像。这些图像的大小 为96x96或256x256或64x64x64
该文章的输出是对医学图像进行分割后得到的掩模图像,用于标识图像中不同的组织或器官。具体来说,对于每个输入图像,网络出一个与输入图像大小相同的掩模图像,其中每个像素的值表示该像素属于哪个组织或器官
5、训练图像有无标注?
该文章使用的数据集中有一些是有标注的,有些是无标注的。具体来说,对于EM、Cell、Brain Tumor、Liver和Lung Nodule数据集,每个图像都有一个对应的标注掩模图像,用于训练和评估模型。对于Nuclei数据集,每个核图像都有实例级别的标注,即每个核都用不同的颜色标记
解释该模型:左边一路下采样,在下采样过程中,每一路采样的下一个节点都会跟上一个节点做一个融合之后一次循环,每一步下采样都会与上一步节点融合,再与之前的节点做进一步的融合。
第一块做完,就可以计算原图像的损失。每个阶段可以做一次损失。