论文链接 :
本文主要对LDE-UNet的论文解读,如有错误地方,请各位大佬指教。
一:Abstract(摘要)
二:本文的主要贡献
1.这篇论文介绍了LDE- unet,一个突破性的语义分割模型,以及它的功能单元,LDE块。这种创新巧妙地解决了传统模型中特有的细节丢失问题。
2.与现有模型相比,LDE-UNet显示出惊人的准确性,预示着其在实际医疗环境中的潜在适用性。
3.LDE-UNet的发展超越了特定用途,为疾病诊断提供了一种通用的方法。通过利用与特定疾病相关的CT图像,该模型确保了有效的响应和更高的性能,标志着医学成像分析的重大进步。
三:Method(方法)
1.The LDE Block
1.3*3卷积进行特征提取,1*1卷积改变通道数,使其通道数变为2C
2.将2C*H*W与C*H*W拼接形成3C*H*W
3.使用ReLu激活函数(将负值置为0),进行3*3的卷积,再次进行3*3的卷积(配置C个卷积核3C→C)
4.利用3*3的卷积和1*1的卷积转换成1*H*W 5.将矩阵1*H*W看作特征映射(卷积操作),与原特征图C*H*W相乘,输出新的特征图
2.Whole Structure
1.取代跳过连接的过程,而无需额外的计算。
2.通过四卷积和下采样过程逐渐将单通道输入图像扩展到128、256、512和1024通道。矩阵大小变为 在编码器过程完成后,进行解码器过程。这就是我们提出的LDE结构发挥作用的地方。
3.首先进行上采样,将通道数减少到原来的12个,将矩阵大小扩大到原来的2倍
4.将前一下采样矩阵和自下而上采样得到的矩阵馈送到LDE块中,输出是与输入矩阵相同通道的结果。
5.这个过程重复三次,卷积过程得到最终的掩码输出。我们提出的LDE-UNet的结构如上图所示。
3.Loss Function
将交叉熵损失(CE)的权重设置为0.4。 第二个Dice Similarity Score((DSC)。根据经验,我们将骰子损失的权重指定为0.6。 最后,提出的LDE-UNet的总损失函数为:
四:性能表现
基于Dice Similarity Score (DSC)指标,论文提出的LDE-UNet模型优于所有六个模型,得分为80.2%。这个分数比第二名Attention U-Net高出大约0.4%。在召回指标方面,我们的模型再次表现出色,达到了83.7%的最佳性能,比排名第二的TransUnet高出约0.4%。至于Hausdorff Distance(HD)指标,论文的LDE-UNet的得分为12.89,在比较的模型中表现最好。关于这些指标的详细数据列于下表中。
论文选择在内部通过仅对块的两个输入执行1 × 1卷积来简化LDE块,同时保持原始通道数量。然后将这些通道在通道维度中连接在一起,以派生模块的输出。与此过程有关的具体数据见下表。
在早期的比较实验中,论文根据经验分配Cross Entropy (CE)和Dice Loss (DL)的权重分别为0.4和0.6。在这里,论文用四种不同的权重组合来训练模型。如表III所示,CE = 0.6和DL = 0.4的组合可能产生模型的最佳性能。
五: Conclusion(结论)
论文研究提出了细节增强级别U-Net (LDE-UNet)模型,旨在使用语义分割以更快的速度和精度确定病变位置。利用来自Kaggle的COVID-19数据集,经过全面的算法比较,我们确定我们提出的LDE-UNet模型在性能方面优于其他最先进的模型。我们的模型旨在在同一水平上加强细节一致性,并减轻下采样期间细节丢失的问题。此外,我们进行了消融实验,以强调所提出的LDE-UNet架构的有效性。