Mobile-Unet

用Mobile-Unet网络来进行肺结节图像分割。

该方法为了兼顾识别精度和计算效率采用轻量型MobileNetV3网络作为主干网络,以实现深层特征提取,结合Unet网络来提高整体的分割性能。

MobileNetV3网络为解决现实场景应用中计算能力受限而专门设计,具有参数量少、速度快、深度适中等优势,常作为主干网络应用于医学图像分割任务。

MobileNetV3网络主要分为3个部分。

  • 第一部分(Conv3×3)为一个3×3的卷积层,用于提取特征
  • 中间部分(bneck1—4)为多个含有可分离卷积层块(bneck)的网络结构,由多个3×3、5×5的卷积块组成,通常深度越深,提取到的抽象特征越好;
  • 最后一部分通过卷积层(Conv1×1)代替全连接层经过池化等一系列步骤得到输出结果。

Mobile-Unet_第1张图片

单一独立模型的局限性

  • Unet网络。针对肺结节这种小而不明显的图像分割任务,抽象特征的有效提取有助于提升模型的分割性能。虽然Unet网络能够高效地利用不同层的特征,但是作为独立模型使用时还存在着以下不足:多次使用普通卷积如Conv3×3或Conv5×5,增加了模型设计的难度和普适性;网络层数还较浅(一般为7~10层),使得特征学习次数也有限,表达性不强。
  • MobileNetV3网络。MobileNetV3中bneck模块结构含有多个尺寸和深度的可分离卷积块、批量归一化(BN)层、H-Switch激活函数等,可以根据任务和网络的需求选择不同的搭配方式,具有很强的灵活性,但该网络应用于医疗图像识别时还存在如下的局限性:忽略了特征与特征之间的联系性,bneck模块提取的深层特征没有以特征融合的方式结合浅层特征,导致部分重要特征的损失;激活函数插入位置一般相对固定,且实验样本数量较少,这导致了精度提升并不明显。

 Mobile-Unet网络模型

其中主干网络选用MobileNetV3轻量级网络,任务网络为常用的Unet网络,网络结构如图4。

  1. 首先,将MobileNetV3中bneck模块移植到Unet网络的编码部分;
  2. 其次,根据Unet编码部分位置采用不同深度的bneck模块来提取特征,通常位置越深,所需bneck模块量越多,提取到的抽象特征也越高级
  3. 最后,将提取后的特征依次连接到解码器的对应位置进行特征融合,连接过程中需要保证特征图与解码器对应位置的通道数、尺寸保持一致。

Mobile-Unet_第2张图片

你可能感兴趣的:(计算机视觉,深度学习,神经网络)