基于图块的全卷积神经网络DVNet

这是一篇胃癌病理分析的文章，文章中用到了DVNet网络，之前没有听说过这个网络，在这里自己记录一下。

从原图块中提取较高精度的图块，训练一个基于图块的全卷积神经网络。
这里图块的提取用到的是面积阈值法，
此文用到的网络架构如图：

本网络有16个卷积层，3个孔洞卷积层，7个最大池化层，7个上采样层，1个Sigmoid输出层，由于它使用了空洞卷积以及类似于U-net的编码解码结构，称此基础网络为DVNet。
发现自己对空洞卷积不了解，然后查了资料
空洞卷积（dilated conv），也称扩张卷积。空洞卷积可以在kernel有效增大感受野的同时不增加模型参数或者计算量。在图像需要全局信息或者语音文本需要较长的sequence信息依赖的问题中，都能较好的应用空洞卷积。在图像分割，语音合成WaveNet，机器翻译ByteNet中都有空洞卷积的身影

一般情况下，图片输入到网络中，网络将会对图像做卷积再池化（pooling）的操作，pooling的操作即降低了图像尺寸的同时增大感受野。但由于图像分割预测是pixel-wise的输出，所以将pooling后较小的图像上采样（upsampling）到原始的图像尺寸进行预测一般需要采用反卷积（deconv）操作。之前pooling一般为max pooling，所以该pooling操作使得每个pixel能预测都能看大较大感受野信息。

所以在图像分割网络中有两个