3D U^2-Net是一种全卷积神经网络，适用于多域医学图像分割任务。它采用深度可分离卷积，以捕获特定于域的空间模式和跨通道相关性。实验表明，此通用网络在分割精度上可与传统模型竞争，参数量仅为1%左右。此外，它可以适应新领域，同时保持对共享参数化的域的良好性能。此研究为医学图像分割提供了一种通用且可扩展的解决方案。
《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
最低0.47元/天 解锁文章
扫一扫
396
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
