《深度学习在图像分割中的应用--基于深度学习的甲状腺结节超声图像分割》论文笔记

一.模型改进
1.介绍FCN
2.介绍U-Net
3.介绍Res-UNet
2.一种改进的多尺度U-Net分割方法
a.多尺度目标分割
将多尺度输入机制融合到U-Net网络中
下采样模块：将训练图像进行按照8:4:2:1的比例做了四副图像，与U-Net的一二三四下采样层融合
上采样模块：对每一种尺度的特征图都进行预测，对预测结果进行一种深监督（类似U-Net+++中的深监督），将标签按照比例变换成8:4:2:1，并将每一层预测出来的结果与对应的标签比较

b.注意力机制
b1.特征金字塔注意力模块

b2.注意力通道（通道注意力机制）
在上采样阶段每一层的输出结果引入通道注意力机制

b3.空间注意力机制
在上采样模块引入了空间注意力机制


二.整体模型
绿的模块是特征金字塔注意力模块


三.损失函数设计



四.对比实验
1.数据预处理:使用自适应中值滤波对原始图像进行处理
数据增强：旋转和水平翻转
2.优化器Adam，lr=5e-4，bs=8，100epoch
3.实验一（使用的Dice损失函数）：
①FCN
②改进FCN
4.实验二（使用的Dice损失函数）（就是消融实验）：
①UNet
②多尺度输入机制+UNet
③多尺度输入机制+特征金字塔结构+UNet
④多尺度输入机制+特征金字塔结构+通道空间注意力机制+UNet
5.实验三（使用的Dice损失函数）（对比本文章网络模型与其他网络模型）：
①FCN
②UNet
③Res-UNet
④多尺度输入机制+特征金字塔结构+通道空间注意力机制+UNet
6.实验四(验证设计的损失函数）
验证α、β、γ取哪个值更好，也与原Dice损失函数比较