(脑肿瘤分割笔记:四十九)DR-Unet104 for Multimodal MRI brain tumorsegmentation

Title:DR-UNet104用于多模态MRI脑肿瘤分割

 

Abstract-摘要

本文提出了一种具有104个卷积层的2D深度残差UNet,我们对UNet架构进行了多次修改,包括将bottleneck残差连接添加到UNet编码器中,并在每个卷积块堆栈后添加dropout。使用2D卷积,它可以在比3D体系结构更低的计算机上使用。

Introduction

本文提出的新的架构,将Bottlenneck残差块和UNet的优势结合起来,这个网络包括104个卷积层,因此命名为深度残差Unet104,此外还包括了Dropout。

方法

2.1网络结构

网络结构的示意图如下:

 网络结构由编码器,解码器和网桥三个部分组成,构成典型的U-Net网络。在本文的网络设计中,编码器和解码器组件中都部署了五个带有卷积层和识别映射的堆叠残差块层,并通过桥接组件连接,特征表示由编码路径编码,并在解码器路径中恢复像素的分辨率大小。

下图显示了编码器和解码器路径中残差结构

在编码器路径和网桥连接中,采用Bottlenneck设计,分别由1*1卷积层(减少特征通道维度),3*3卷积层(恢复维度),1*1卷积层恢复维度,而在解码器路径中典型的残差块由两个堆叠的3*3二维卷积组成。批处理归一化(BN)和Relu激活函数用于所有残差块 。由于网络的深度较深,为了避免过拟合在每一级之后都使用一个Dropout,解码器的每一层(上采样后)的输入都添加了来自编码器的输出连接

2.2损失函数

所使用的损失函数是稀疏类别交叉熵(CE)公式表示为

CE=-\frac{1}{N}\sum_{n}^{N}\sum_{c}^{C}Ytrue _{c}^{n}*log(Ypred_{n}^{c})

其中N是样本数量,C代表有C类,Ytrue和Ypred代表真实标签和经过softmax处理过后的预测结果

总结:

在本文中,提出了一个具有104个卷积层的二维深度残差UNet,这个网络结合了深度残差块的优点和具有编码器-解码器结构的U-Net,将Dropout正则化包含到了网络中。

  • 0
    点赞
  • 2
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值