![0003e2b397ca130a5ad6f18660eaa560.png](https://i-blog.csdnimg.cn/blog_migrate/31f18f84b53a58039e8fa5fa21ea8f3c.jpeg)
论文题目:BESNet Boundary-Enhanced Segmentation of Cells in Histopathological Images
论文地址:BESNet Boundary-Enhanced Segmentation of Cells in Histopathological Images
核心内容
- 提出了一种类似于Unet的结构,但是设置了两条解码路径用来提升对细胞边界分割的精度
- 在loss上做文章,自适应的调整权重,对边界分割较为困难的地方,进行更好的训练
idea的动机
- 图像分割中经常会出现边界分割不准确的情况,作者想要通过自适应修改loss权重的手段,有针对性的对这些分割不准确的区域进行更好的训练
网络结构
![b2ddd607998afd7380511a2ead53e55d.png](https://i-blog.csdnimg.cn/blog_migrate/3bd67f943053cd3ee027d25879e1d9ae.jpeg)
- 网络结构的核心思想:训练目标细胞的边界,并利用它们的响应自适应加权整个细胞分割的训练损失。这使得能够在训练中对目标细胞较困难的部分施加更大的权重。
- 论文所提出的结构其实很好理解,与传统Unet还是有些不一样的是这边是4层,而传统的Unet是5层,并且每一层的features的数目和Unet不一样,我感觉这边作者去除最后一层的目的在于减小参数量,论文最后也有说这种结构所导致计算量比原始Unet来的多。
- BDP的输出是一张概率图,需要注意的是BDP训练采用的图片和MDP的图片不一样,BDP是细胞边界图片(只是标记了细胞边界即空心),而MDP采用的是实心的图片。
- 这边作者在结构上采用了两种跨通道连接方式,一种是summation,另一种是concatenation,我其实并不很理解这两种跨通道连接方式的区别(我感觉没太大区别)。
Loss
- 在这篇文章中,作者分别对两条路径采用了不同的loss,紧接着的下面这个loss对应的BDP路径的输出,这个loss的目的在于学习边界的前景像素有多难
![e2f3c36ce3126d77fbbc789292f20ff8.png](https://i-blog.csdnimg.cn/blog_migrate/e3cd931465cd6f76b9fe85f4bf0b8cf0.jpeg)
- 从上面BDP loss能看出其实就是无任何修改的categorical_crossentropy loss,BDP 的输出通常在边界处表现良好,但在不太清晰或具有罕见外观类型的边界处可能会变低。这意味着BDP概率输出低的边界特征难以通过网络进行训练。为了解决这个问题,作者想到了,通过自适应加权MDP分支的损失函数,MDP对这些难以分辨的部分进行加强的训练,下面这个loss就是作者提出来的,也是本文的创新点之一:
![3f5f32681a5586efccaac03c4acd6fc6.png](https://i-blog.csdnimg.cn/blog_migrate/2257ad05e2b0a51edb974d30766e381c.jpeg)
- 其中b(x)就是BDP的输出,还有就是这边还有两个超参数需要调节(嗯。。。有点烦)。
实验结果
- 作者从Detection和Segmentation两方面来讨论自己提出的方法,下面是分别的结果
- Detection
![0ef5bc51f4102d6bbca76a089b9c2a90.png](https://i-blog.csdnimg.cn/blog_migrate/fe08ef99ca5924b281d78dd83f1af8b5.jpeg)
- Segmentation
![1e4fb4529fb983d8c0bf23ea66658588.png](https://i-blog.csdnimg.cn/blog_migrate/4338cd69aba907c7bf2f96591e821cda.jpeg)
- 更为细节的结果
![8cfd0e402fd61dd635435451f00376cb.png](https://i-blog.csdnimg.cn/blog_migrate/d799662b12780529cb1dff5da72b2ea0.jpeg)
一些感悟
- 这篇文章提出的加权重的loss与其他论文提出加权重的loss不同的是,这篇文章的loss是像素级的,也就是每个像素给的loss可能是互不相同的。
- 我其实感觉作者作者所作的对比实验有点少,并且与之对比的是原始的Unet,Unet是2015年提出来的,结构也有些老。
其他
- 刚入坑深度学习的新人,有什么写的不对的地方欢迎鞭策!!!