摘要
在本文中,我们提出了一种新颖的密集连接的体积卷积神经网络,称为DenseVoxNet,可以从3D心脏MR图像中自动分割心脏和血管结构。DenseVoxNet采用3D全卷积架构来进行有效的体积间预测。其具有三个优势:
- 它通过密集连接的机制保留了各层之间的最大信息量
- 它通过特征图重用避免学习冗余特征图,因此需要较少的参数来实现高性能,这对于训练数据有限的医学应用而言是必不可少的。
- 增加辅助路径以加强梯度传播并稳定学习过程
1 Introduction
DenseVoxNet采用3D全卷积架构,因此可以将3D图像和几何信息完全结合起来,从而有效地进行体积间预测。更重要的是,DenseVoxNet包含了密集连接的概念。从学习的角度看,它具有三个优点。
- 它实现了从一层到其所有后续层的直接连接。每层都可以通过较短的连接从损失函数获得更多的监督,从而使网络更易于训练且训练速度更快。
- DenseVoxNet的参数少于其他3D ConvNet。由于各层可以从其所有先前的层访问特征图,因此可以避免冗余特征图的学习。因此,DenseVoxNet每层具有较少的特征图。
- 进一步改善网络内部的梯度,并通过辅助路径来稳定学习过程
2 Method
DenseVoxNet的体系结构,它由两个DenseBlock组成,所有操作均以3D方式实现。绿色和红色表示血池和心肌的输出。左下图显