《3D U^2-Net: A 3D Universal U-Net forMulti-Domain Medical Image Segmentation》《3D U^2-Net:用于多域医学图像分割的3D通用U-Net》
讲在前面
- 一.学习该算法的目的:之前我用u^2-net成功完成的针道在ct显影中的分割,尽管也会有一定的噪声,但是相对于之前使用的直线检测的方法要优秀太多,所以我坚信利用unet做粒子的分割也能够使用。但是,粒子与针道的不同之处在于,粒子由于相邻切片之间的伪影关系,是有一定的上下文的信息的,那么使用3d的unet就必然有更好的精度,再加上这个3D u^2 net 的网络吸引了我的眼球,就特地分析一下试试;
- 二.我设计了几种字体颜色用于更加醒目地表现关键的思想和主题:
- 红色表示尚未理解透彻的一些概念
- 蓝色表示对原来的理解做的一些修改或补充
- 绿色表示此处需要参考的论文其他部分
- 橙色表示本文的重要关键字
- 紫色表示后续更新的内容
我会用删除线将自己曾经不到位的理解进行删除
- 三.关注该算法的另一个原因是,看看他与之前的后出来的2d u^2net 究竟有什么区别。在看论文时发现该论文研究的是域自适应的问题,并不是期待中的对于网络结构的研究,那么,这篇论文的价值在于——提升nnUNet多分类模型的精度,迄今为止,我没有测过nnUNet的单分类和多分类的性能差异,加入在未来发现nnUNe