论文笔记（七）ISOINTENSE INFANT BRAIN SEGMENTATION WITH A HYPER-DENSE CONNECTED CNNs

论文地址：ISOINTENSE INFANT BRAIN SEGMENTATION WITH A HYPER-DENSE CONNECTED CNNs

摘要
提出超密集连接的3D卷积神经网络，该网络使用MR-T1和T2图像作为输入，并在两条独立的路径中进行独立处理。与以前的密集连接网络的一个重要区别是，使用了来自相同路径和不同路径的层之间的直接连接。采用这种密集的连接性可以通过包括深入的监督和改善梯度流来帮助学习过程。

作者指出，有些研究采用滑动窗口策略，其中窗口定义的区域被逐一处理。这会导致效率低下和非结构化的预测，从而降低了分割精度。

所提出的网络的一个重要特征是，它能够通过在最终预测中嵌入中间层输出来对本地和全局环境进行建模。

提到了最初的想法来源DenseNets。DenseNets以前馈的方式将任何层的直接连接添加到所有后续层，使训练变得更容易，更准确。这是由三个观察结果引起的。首先，由于到架构中所有特征图的路径短，因此存在隐式的深度监控。其次，所有层之间的直接连接有助于改善整个网络中的信息和许可流。第三，密集的连接具有正则化效果，从而降低了过小的训练集对任务过度拟合的风险。

baseline对比：只用一条路径，2序列图像先串联再进入网络，所有卷积层的输出连接到fully conv 1。
HyperDenseNet：每个卷积块的输入（红色箭头之前的映射）都包含来自两个路径的所有先前层的输出（红色箭头之后的映射）的串联。将sub-volume用作输入，避免了池化层。 将尺寸为27×27×27的子体积用于训练。T2图像与其对应的T1图像线性对齐。 将所有图像重新采样为各向同性的1×1×1 mm3分辨率。 然后使用内部工具在手工分割之前应用标准的图像预处理步骤，包括颅骨剥离，强度不均匀校正以及小脑和脑干的去除。 我们使用了9个主题来训练网络，其中一个主题用于验证，另外13个主题用于测试。

以上作为论文笔记保存，个人理解，如有错误及时更正，科研加油！