论文地址:A Segmentation-aware Deep Fusion Network for Compressed Sensing MRI
这是ECCV2018上的一篇做脑部MRI重建和分割的论文
这个论文将两个任务CS-MRI重建和MRI脑部分割进行融合,使用两个任务相互之间互相改进
CS-MRI就是快速扫描低质量的MRI,速度快,但是清晰度没有MRI高,因此很多学者都在搞把CS-MRI转为MRI的工作
(a)就是正常采样的MRI,(b)是低质量快速采样的MRI,(c)是分割的label
SADPN(segmentation-aware deep fusion network) Model如上图所示,下边分模块介绍
Pre-RecNet
任务:Compressed Sensing MRI转MRI
使用DC-CNN作为该网络结构
网络中含有N个上图所示的模块
loss如上图所示
然后将这个网络进行pre-training
Pre-SegNet
任务:将MRI进行分割
网络结构采用2D U-Net
loss如上图所示
也进行pre-training
Deep Fusion Network
这个网络用于将Pre-RecNet和Pre-SegNet得到的feature map进行融合
1、Segmentation-aware Feature Extraction Module
就是从segNet中提取特征,过程如下,分别从conv1-conv10得到的feature map进行bilinear interpolation上采样到原图尺寸,然后把这些再concate到一起,得到240 *240 * 640 (32+32+64+64+128+128+64+64+32+32)尺寸的融合feature map,再使用1*1卷积缩小到240*240*32
2、The Feature Fusion cross Tasks
然后将上一步得到的segFeature copy,和pre-RecNet各层的feature map进行concate得到240*240*64,再用1*1缩小到240*240*32,对于recNet的每个block都进行这样的操作
The Fine-tuning Strategy
然后是对这两个网络进行融合之后的fine-tuning,在优化期间,Pre-RecNet和Pre-SegNet中的参数保持固定,而仅调整深度融合网络中的参数