论文阅读笔记--医学图像分割

@[TOC]论文笔记《DA-DSUnet: Dual Attention-based Dense SU-net for automatic head-
and-neck tumor segmentation in MRI images》

#摘要
此论文主要针对的是鼻咽癌（NPC）的磁共振成像(MRI)中进行精确准确的分割。现在的问题是由于鼻咽癌病灶大小和形状差异大、边界模糊以及可用标注样本有限等问题，使得鼻咽癌分割成为一项艰巨的任务。现有的鼻咽癌分割方法不能满足医学实践的高要求。基于这些挑战和深度学习的普及，本文提出了一种基于双重注意力模块的的DSU-NET(DADSUnet)的鼻咽癌自动切分框架。

创新点

它是一个编解码器网络，以MRI切片为输入，输出相应的分割结果。

1. **在U-net的基础上，首先采用SegNet中引入的unpooling策略进行上采样。unpooling是一种更简单、更有效的上采样方法。【克服边界模糊的问题】
2. 引入了便于特征传播的稠密块（Dense Block）来代替传统的卷积块。【解决梯度消失问题以及便于特征的传播和重用】【梯度消失：指的是在训练过程中，梯度（偏导）过早接近于0的现象，导致（部分）参数一直不再更新，整体上表现得像损失函数收敛了，实际上网络尚未得到充分的训练。】
3. 网络中加入了双重注意机制，它模拟了位置和通道维度上的相互依赖关系。
4. 为了缓解二元交叉熵(BCE)损失带来的潜在问题，同时提高DSU-Net的性能，我们在模型的训练过程中使用了由BCE损失和DICE损失组成的复合损失函数。与其他最先进的网络相比，我们的方法获得了更好的性能和更高的性能，同时需要的参数更少，计算量更小