IterNet——迭代式U-Net变形

资源

---

文章代码：ITerNet

---

1 数据集

DRIVE：共40张，大小565✖584，具体介绍及下载：DRIVE
CHEASE_DB1：大小：999✖960，具体介绍：CHEASE_DB1
STARE：大小：700✖605，具体介绍及下载：STARE

相关的也可以去Kaggle上寻找

2 数据增强方式

包含：color, shape, brightness, and position
Image patches，这个没接触过，给个介绍：【Python】实现图片切成patch，以及有间隙的拼接代码

说和没说一样的，后期复现代码的时候回来填坑

2022.11.30回来填坑，这里的Image patches，指的是将一张大的图片切割成相同大小的多个小图片，是扩充数据集的一种方法，这里需要将图片和GT一起切割，不能只切割原始图像。这种眼底血管分割是可以切割的，因为模型学习的是血管分布，切割成小的图片时，模型也是可以学习到分割边界的；但是如果针对单一大病灶区域分割，是不能切割图片的，因为其学不到完整的病灶分割轮廓

训练时：使用128像素的补丁传入模型
测试时：使用图像补丁预测和整个图像预测

3 初始设置

Loss： sigmoid cross entropy
MiNi-UNet：三个
optimizer： 文章未说，应该是Adam

4 比较范围

比较的三个对象： UNet：，DenseBlock-UNet，Deform-UNet

常见指标比较 + Connectivity比较：

ROC比较：

ROC和AUC介绍

5 核心方法

文章重点就是利用UNet的分割结果冗余去做进一步的优化，文章中最后的N是4，意味着有三个Mini-UNet进行迭代。
第一个BaseUNet： 和原始UNet的结构是一样的，保留着其本身强劲的分割能力
第一个Mini-Unet： 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
后两个Mini-Unet： 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。
模型整体输出: 是最后一个Mini-UNet的输出

6 源码

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！