《基于改进U-Net网络的气胸分割方法》论文笔记

一.模型设计
1.用的unet的整体结构

2.收缩路径中的编码模块使用的时EfficientNet中的MBCconvBlock模块
3.扩展路径中的解码模块是自己设计的

其中的scSE是将空间注意力机制（sSE）和通道注意力机制（cSE）并联相加，如下图:
在扩展路径中，反卷积的输出层先合并左边编码模块的跳层连接模块，然后经过解码模块，再使用上采样和反卷积到原图大小
二.其他参数
1.损失函数：结合了Dice相似系数损失函数和Focal损失函数
2.还设计了一个三重阈值策略，用来更精准判断气胸像素
3.评价指标：Dice，Recall，Precision
4.训练集：12089副 ；验证集：3205副；epoch=60；batch_size=2；初始学习率=1e-5；学习率衰减方式：ReduceLROnPlateau
5.使用了数据增强来增强模型的抗过拟合和抗干扰能力
使用了迁移学习，将训练好的EfficientNet参数作为编码模块的初始参数