3D \(U2\)-Net：A 3D Universal U-Net for Multi-Domain Medical Image Segmentation.md¶
论文¶
https://arxiv.org/abs/1909.06012
代码¶
https://github.com/huangmozhilv/u2net_torch/
摘要¶
Cite
像U-Net这样的完全卷积神经网络已经成为医学图像分割中最先进的方法。实际上，网络是高度专业化的，并针对每个细分任务分别进行培训。 与多个模型的集合不同，学习不同任务的通用数据表示是非常理想的，理想情况下，学习为每个任务添加最少数量参数的单一模型。 受多领域学习在图像分类中最近取得的成功启发，我们首次探索了一种有前途的通用架构，该架构可处理多个医学分割任务，并可扩展用于新任务， 而不考虑不同的器官和成像模式。我们的3D通用U-Net（3D U2 Net）建立在可分离卷积的基础上，假设来自不同域的图像具有特定于域的空间相关性， 可以用逐点卷积来探测，同时也共享可以用逐逐点卷积建模的跨信道相关性。我们在五个器官分割数据集上评估3D U2 Net。实验结果表明， 这种单向网络能够在分割精度方面与传统模型竞争，而只需要约1%的参数。此外，我们观察到，该架构可以轻松有效地适应新的域， 而不会牺牲用于学习通用网络的共享参数化的域的性能。我们将3D U2 Net的代码放入公共领域。
一个模型多个应用，是多少人的梦想
方法¶
主要用深度可分离卷积做的
数据预处理包括了弹性形变、随机旋转、随机缩放和随机镜像，是用 https://github.com/MIC-DKFZ/batchgenerators/ 实现的
我还以为这个3D \(U^2-Net\)是\(U^2-Net\)的3D版本
总结¶
Cite
总之，我们提出了一种新的通用神经网络3D U2 Net，用于多器官分割问题，填补了图像分割中可扩展多域学习的空白。实验结果表明， 所提出的方法仅使用一小部分参数，获得了与传统方式训练的独立模型相当的分割性能。由于CT和MRI图像是常规图像，人体器官的数量是恒定的， 因此多器官分割的通用模型可以在不久的将来得到充分开发。此外，提出的框架可以扩展到许多其他多领域应用，从而促进神经网络向临床实践的转化。
19年的论文，是不是填补了空白哦