3D Densely Convolutional Networks for Volumetric Segmentation论文阅读

Abstract.
在等强度阶段，由于组织之间的低对比度，准确的体积图像分割是一项具有挑战性的任务。 在本文中，我们提出了一种基于密集卷积网络的新型超深网络架构，用于体积大脑分割。所提出的网络架构提供了层之间的密集连接，旨在改善网络中的信息流。 通过连接细密块和粗密块的特征图，它允许捕获多尺度上下文信息。实验结果表明，在 6 个月婴儿脑 MRI 分割的 MICCAI 大挑战中，所提出的方法在分割精度和参数效率方面比现有方法具有显着优势。
1 Introduction
体积脑图像分割旨在将脑组织分成不重叠的区域，例如白质 (WM)、灰质 (GM)、脑脊液 (CSF) 和背景 (BG) 区域。 准确的体积图像分割是量化结构体积的先决条件。 然而，组织之间的低对比度往往会导致组织被错误分类，这会阻碍准确分割。 因此，自动大脑分割的准确性仍然是一个活跃的研究领域。

最近，深度卷积神经网络 [9] 在医学图像分割方面取得了巨大成功 [11, 12, 15]。例如，Çiçek 等人。 [2] 提出了一种 3D U-net，它收缩跳过层并学习上采样部分以产生全分辨率分割。陈等人。 [1] 提出了一种体素残差网络，通过身份连接将信号从一层传递到下一层，用于大脑分割。但是，连接是从早期层到后期层的短路径。为了解决这个问题，Huang [6] 引入了一个 DenseNet，它提供了从任何层到所有后续层的直接连接，以确保层之间的最大信息流。它显示出随着深度网络的增加，准确性不断提高。 Yu [14] 将 DenseNet 扩展到体积心脏分割。它使用两个密集块，然后通过池化层存储减少特征图分辨率，然后通过学习到的反卷积层的堆栈恢复分辨率。这些堆栈反卷积层通常会生成更大的学习参数，这些参数会