DenseVoxNet:3D Cardiovascular MR Segmentation论文笔记

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：

1. 它通过密集连接的机制保留了各层之间的最大信息量
2. 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。
3. 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。

1. 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。
2. 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。
3. 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