3DConvCaps：3DUNet与卷积胶囊编码器用于医学图像分割

摘要

卷积神经网络需要大量的训练数据，无法处理物体的姿态和变形。此外其中的池化层也倾向于丢弃位置等重要的信息。CNN对旋转和仿射变换非常敏感。

胶囊网络是最近出现的一种新型体系结构，其通过动态路由和卷积步长代替池化层，在部分整体表示中获得了更好的鲁棒性。

本文提出了一种基于卷积胶囊编码器的三维编码器-解码器网络，利用卷积层学习低级特征，同时利用胶囊层建模高级特征

Introduction

在U型编解码器结构中，每个特征映射只包含特征存在的信息，网络依靠固定的学习权重矩阵来连接层与层之间的特征，因此这样的模型不能很好的泛化输入图像中看不到的变化，在这种情况下通常表现的很差，此外，CNN的池化层在局部窗口中总结特征，丢弃了重要的空间信息。此外CNN对旋转和仿射变换敏感。

为了克服CNN的局限性，胶囊网络对包括位置，尺度位置在内的整体-部分关系进行编码。Capsule通过一种新的优化机制，即动态路由，对对象的部分特征之间的关系进行建模。在这种机制中，各个部分对整个对象的贡献在训练和测试时的权重是不同的。胶囊块有效地在高级特征上建模全局关系，而卷积块能够熟练地学习局部特征。

基于胶囊的医学图像分割方法对多个特征通道进行分组来构建张量，而不是将非线性应用于CNN中过滤器的标量输出。一般来说，基于胶囊的网络由两层组成：第一个初级层捕获低层特征，然后是专门的二级层，预测图像中物体的存在和姿态。此外Capsule中的每个层都旨在学习一组实体，并以高维形式表示它们。在Capsule中假设前一层的实体是一个简单的特征，基于他们投票的一致，下一层的复杂特征将被激活或不被激活。

3D ConvCaps

A