ResUnet++

最新推荐文章于 2024-12-08 18:14:33 发布

不想敲代码的小杨

最新推荐文章于 2024-12-08 18:14:33 发布

阅读量5k

点赞数 5

CC 4.0 BY-SA版权

分类专栏：医学图像分割论文文章标签：深度学习人工智能

本文链接：https://blog.csdn.net/weixin_43921949/article/details/128882208

医学图像分割论文专栏收录该内容

22 篇文章

订阅专栏

ResUnet++是一种针对结肠镜图像分割的深度学习架构，它整合了残差块、SE模块、ASPP模块和注意力机制。残差块缓解梯度消失问题，SE模块增强通道间依赖，ASPP模块提供多尺度信息。该网络设计有助于提高结肠直肠息肉分割的精度。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

ResUnet++是一种用于结肠镜图像分割的改进ResUnet架构。总的来说本文的贡献在于

1）本文提出了一种新的resunet++架构，它是一种利用残差块，SE模块，ASPP模块和注意力块的语义分割神经网络

2）创建了新的数据集。

ResUnet++

提出的resunet++体系结构利用了残差块、SE模块、ASPP模块和注意力块

残差块在层上传播信息，允许建立一个更深层次的神经网络，可以解决每个编码器中的退化问题（梯度消失的问题）。这提高了信道的相互依赖性，同时降低了计算成本。提出的resunet++架构包含一个茎块，后面跟着三个编码器块、ASPP和三个解码器块。

提出的ResUnet++的体系框架结构图如下所示：

每个编码器块由两个连续的3x3的卷积块和一个单位映射组成，每个卷积块包括BN层，Relu层和卷积层。在编码器块的第一卷积层应用跨步卷积层将特征映射的空间维数降低一半。编码器块的输出通过SE模块传递。ASPP充当了一个桥梁，扩大了卷积核的视野，以包括更广泛的背景。

解码器相对应的也由残差单元组成，在每个解码器单元之前，注意力模块增加了特征映射的有效性。接下来是对较低级别的特征映射进行上采样，并与对应编码路径的特征映射进行连接。解码器的输出通过ASPP模块进行连接，最后应用1x1的Sigmod激活卷积，得到分割图。

残差单元

深度神经网络的训练相对具有挑战性。随着网络深度的增加，训练深度神经网络可以提高准确率。但是同时过深的网络会造成梯度消失的问题。残差单元使得网络易于训练，单元内部的残差连接有助于在不退化的情况下传播信息。

SE模块

SE模块通过使用通道之间的精确建模相互依赖关系重新校准特征响应，SE模块的目标是为了能够确保网络能够增加其对相关特征的敏感性，并抑制不必要的特征。这个目标分两步实现。第一步是压缩(全局信息嵌入)，通过使用全局平均池来生成按通道的统计信息来压缩每个通道。第二步是激励(有源校准)，旨在完全捕获通道依赖性。在提出的体系结构中，挤压和激励块与剩余块叠加在一起，以增加对不同数据集的有效泛化，提高网络的性能。

ASPP模块

ASPP模块的思想来自于空间金字塔池化，它成功的在多个尺度上重新采样特征。在ASPP模块中，上下文信息以不同的比例和输入特征图中许多不同膨胀系数的膨胀卷积进行融合。

结论

在本文中，我们提出了resunet++，这是一种解决结肠镜检查中发现的结肠直肠息肉更精确分割需求的架构。所建议的体系结构利用了残差单元和SE模块、ASPP和注意力单元。