论文阅读笔记--医学图像分割[上下文编码网络]--CE-Net

Medical Image Segmentation–CE-Net:用于二维医学图像分割的上下文编码网络)

---

摘要

提示：这里可以添加本文要记录的大概内容：
基于U-net的方法已经被提出。但是，连续池化和跨越式卷积操作导致了部分空间信息的丢失。本文提出了一种上下文编码网络(CE-Net)，用于二维医学图像分割中获取更多的高层次信息和保留空间信息。

CE-Net主要包含三个主要组件:特征编码模块、上下文提取模块和特征解码器模块。我们使用预先训练的ResNet块作为固定的特征提取器。由新提出的密集atrous卷积块和残馀多核池块形成的上下文。我们将所提出的ce - net应用于不同的二维医学图像分割任务。综合结果表明，该方法在光学椎间盘分割、血管检测、肺检测，细胞轮廓分割，视网膜光学相干层析成像层析。等方面均优于原始U-Net方法

一、introduce

基于深度学习的分割方法是基于像素分类的学习方法。与传统的像素或超像素分类方法经常使用手工制作的特征不同，深度学习方法是对特征进行学习，克服手工制作特征的局限性。

早期医学图像深度学习方法

早期的医学图像分割深度学习方法大多基于图像补丁。Ciresan等人[39]提出了基于patch和滑动窗口策略来分割显微镜图像中的神经元膜。然后，Kamnitsas等人在[40]中采用了一种具有完全