CE-Net：用于2D医学图像分割的上下文编码器网络，已开源！

点击上方“CVer”，选择加"星标"或“置顶”

重磅干货，第一时间送达

作者：摸鱼家

https://zhuanlan.zhihu.com/p/68953780

本文已授权，未经允许，不得二次转载

CE-Net: Context Encoder Network for 2D MedicalImage Segmentation

作者团队：上海大学&中科院&上海科技大学等

arXiv：https://arxiv.org/abs/1903.02740

github：https://github.com/Guzaiwang/CE-Net

1. Abstract

• 提出了一种用于医学图像分割的网络结构，创新点在于在传统的encoder-decoder结构中间加入了context extractor，用来减少由于池化和卷积导致的信息损失。

2. Introduction

• 传统的医学图像分割方法，深度学习的方法，主要是U-Net，然后是一些其他修改方法，如CRF，使用了多尺度的M-Net,BRU-net,InfiNet

• 使用了residual connectio来避免梯度消失。

• 提出了DAC block(dense atrous convolution )提取更多的去全局语义信息。the DACblock is proposed to extract enriched feature representationswith multi-scale atrous convolutions

• 提出了residual multi-kernel pooling (RMP) ，它是受空间金字塔池化的启发，对DAC的输出进行多尺度的信息编码？？RMPblock for further context information with multi-scale poolingoperations 大概的意思就是，DAC进行多尺度特征提取，RMP进行池化。

• 总结来说，本文的主要贡献就是提出了DAC和RMP block，并将其整合到基于encoder-decoder框架中，来进行医学图像的分割。

3. Conclusion

• 提出了end-to-end的网络，能够提升多个医学图像分割的表现，相信后续也可能扩展到其他医学图像的分割上，或者扩展到3D。

4. Methed

· Feature Encoder Module

· 基于ResNet-34

· Context Extractor Module

· 本文提出的，由DAC和MRP组成，作者的说法是提取语义信息，产生更高层次的feature map

· 这个模块输入输出尺寸是一样的，也就是说，这个模块可以用在其他任何结构中。

· Dense Atrous Convolution

· 在这篇论文里，空洞卷积组成的模块是加在encoder之后的，另一篇论文（MULTI-SCALE CONTEXT AGGREGATION BYDILATED CONVOLUTIONS）也使用了类似的结构，不过它的模块是由串联的空洞卷积组成的。这篇文章里的dense atrous convolution （DAC）模块是用了并联，和GoogLe Net的inception模块类似。

· 具体来说，每个并联分支使用了不同尺寸的空洞卷积，便于提供不同的感受野，能够针对不同大小的目标。

· Residual multi-kernel pooling (RMP )

· 这个模块连接在DAC之后，使用不同的池化方式并联，作者的说法是为了提供不同的感受野

· 为了减少参数，在每一层之后加入了1*1的卷积

· Feature Decoder Module

· decoder部分使用了转置卷积进行上采样，每个部分如下：卷积—转置卷积-卷积，这里没有采用和encoder的对称结构。

· Loss Function

· Dice coefficient loss function ，因为医学图像目标都比较小

5. 实验

· 在不同的医学图像进行了比较，如视杯视盘，血管等

· 血管分割的评价使用了3种方式，相关论文如何评价还可以再看看

Reference

CE-Net: Context Encoder Network for 2D Medical Image Segmentation

CVer-医疗影像交流群

扫码添加CVer助手，可申请加入CVer-医疗影像群。一定要备注：研究方向+地点+学校/公司+昵称（如医疗影像+上海+上交+卡卡）

▲长按加群

这么硬的论文分享，麻烦给我一个在在看

▲长按关注我们

麻烦给我一个在看！