摘要
二维卷积神经网络忽略了医学图像的三维信息,而三维卷积神经网络对计算资源的需求过大。而本文提出一种新的结构,称为维度融合网络(D-UNet)这个网络在编码阶段创新的结合了二维和三维卷积。所提出的网络结构实现了比2D网络更好的分割性能,同时与3D网络需要更少的计算开销和计算时间。此外,为了缓解网络训练正样本和负样本之间的不平衡问题。本文提出了一种新的损失函数,称为增强混合损失函数,这个损失函数增加了一个加权焦点系数,并结合了两个传统的损失函数
Introduction
形状差异大,边界不清是目前对于脑卒中病变分割乃至整个医学图像分割领域中存在的一个问题。
在D-Net网络中MRI数据中的三维空间信息在二维框架中得到了有效的利用。
维度融合网络:首先,为了从MRI数据中提取连续切片的信息,我们设计了一种基于UNet改进的新型下采样块。这种改进在网络的早期阶段对少量连续切片进行3D和2D特征提取。然后,以一种新颖的方式融合它们各自的特征映射,以实现二维网络中的少量参数。通过提取MRI数据中的3D特征,D-UNet可以获得比纯2D网络更好的性能。
增强混合损失:增强混合损失(Enhanced mixed Loss):其次,为了提高网络的收敛速度,我们提出了一种新的损失函数,称为增强混合损失(Enhanced mixed Loss),它不仅增强了传统Dice Loss的梯度传播,而且结合了Dice Loss和Focal Loss函数的优点。
方法
DUNet用于提取三维信息
网络的结构由改进的UNet组成。这种对称的编码器-解码器结构结合了高级语义和低级细节信息,这种结构取得了不错的效果。DU