【论文笔记】mU

【论文笔记】mU

mU-Net：《Modified U-Net (mU-Net) with Incorporation of Object-Dependent High Level Features for Improved Liver and Liver-Tumor Segmentation in CT Images》

Link：.00140

Motivation：改善CT图像中的肝和肝肿瘤分割
Question：传统 U-Net 提取 目标边缘信息 和对 小物体分割 效果不好

主要原因：

• 高级特征（低分辨率）信息重复
• 高级特征对高分辨率的边缘信息表示不充分
• 池化操作对小物体不友好

Solution：在 U-Net 的 residual path 上添加 deconvolution 和 activation operations

• object-dependent 上采样设计
• 使用 residual path 避免低分辨率信息的重复传递
• skip connection 设计

将 residual path 中的特征自适应地合并到 skip connection 中，避免低分辨率信息的重复，提取大目标的边缘信息，提取小目标的全局信息

U-Net 将低分辨率特征重复传递是说， l − 1 l - 1 l−1层的特征经过 skip connection 传递到 l + 1 l + 1 l+1 层，而其特征经过下采样传递到 l l l 层又经过上采样传到 l + 1 l+1 l+1 层，这样两次实际上是重复的。低分辨率信息这样的重复导致了分割目标边界的模糊。

U-Net 学习的高级特征图中缺少足够的高分辨率边缘特征信息是说，在 skip connection 处我们直接将高分分辨率特征图传过去，没有经过任何卷积层的学习，所以最后学出来的网络模型是无法对高分辨边缘信息进行有效映射的。

U-Net 丢失小物体是因为每一层的池化操作。

对于小物体，能够提取高级全局特征，不会因为池化操作丢失小物体。
通过阻塞反卷积，可以保持小物体的空间信息，使其能够传递到 skip connection。

通过阻塞残差路径中反卷积层的特征来保持小目标信息，并在 skip connection 中放置更多卷积层以提取更高级别的特征

对于大目标，将 skip connection 中传递的信息限制在边缘信息的传递，避免低分辨率信息的重复

在 residual path 中的 deconvolution 和 activation 操作根据目标物体的大小自适应地将 residual path 和 skip connection 中的特征图连接起来。


最终达到的效果是，让 skip connection 传递大目标的边缘信息和小目标空间信息

在 skip connection 中添加了模块，一个是上采样模块（反卷积 + 激活）用于提取大目标的边缘信息或者小目标的全局信息，另一个是

总结：在 skip-connection 上动动手脚，添加卷积层提取目标边缘信息

基于目标大小自动提取信息，对大物体提取边缘信息，对小物体提取全局空间信息