V-Net

论文：V-Net:Fully Convolutional Neural Networks for Volumetric Medical Image Segmentation

链接: https://pan.baidu.com/s/1n4Nj_WypquLYP8gkHYrgQA.
提取码:dr4r

每个阶段包含1-3个卷积（适当扩充）从数据中提取特征。

我们制定每个阶段，使其学习Residual Function，每个阶段的输入是：(a)通过卷积层并通过非线性处理，(b)添加到该阶段最后一个卷积层的输出，以便能够学习Residual Function。

在每个阶段结束后使用222的体素应用步幅2来降低分辨率。

最后一个卷积层的卷积核是1×1×1的大小并产生与输入体积相同大小的输出的两个特征图通过soft-max将体素被转换为前景和背景区域的概率分割。

将从左侧早期提取的特征转发到右侧（可以收集在下采样过程中丢失的一些细粒度细节）

1. 感兴趣的部分占很少的一个部分，会导致预测结果偏向背景。之前的网络使用基于re-weighting的损失函数。
2. 我们提出了一个基于Dice系数的新目标函数，值范围是0到1, 我们的目标是使这个系数最大化（集合相似度度量函数，通常用于计算两个样本的相似度）。
3. Re-weighting（重赋权）：对每个样本附加一个权重，涉及到样本属性与标签的计算，都需要乘上一个权值。

基于Dice系数的损失（绿色）和重赋权soft-max的损失（黄色）获得的结果之间的定性比较。

Axial代表轴位，Coronal代表冠状位，Sagittal代表矢状位

写在篇尾：该文章是建立在论文上的理解，只用于沟通交流，不作为商用。