【论文笔记】——Feature Fusion Encoder Decoder Network For Automatic Liver Lesion Segmentation

最新推荐文章于 2024-04-17 09:42:38 发布

原创

最新推荐文章于 2024-04-17 09:42:38 发布 · 1k 阅读

2 ·

CC 4.0 BY-SA版权

文章标签：

#医学图像 #分割

本文介绍一种基于注意力机制的肝脏病变分割模型，创新地在U-Net基础上引入FeatureFusion，结合SE结构和PixelShuffle，提升分割精度。

原文：FEATURE FUSION ENCODER DECODER NETWORK FOR AUTOMATIC LIVER LESION SEGMENTATION

1.总体介绍

这篇论文主要提出了一个关于医学图像分割的新模型，用来实现肝脏病变区域的分割。目前用于医学分割的模型大多都是U-Net变体（U-Net的介绍很多这里不再赘述），利用跳接将encoder部分的高维特征用于decoder部分，能保留更多的信息，对于小数据集的任务十分有效。这里的跳接有可能是直接相加，也有可能是通道数的融合。

作者认为U-Net模型只是直接将高维特征融合到对应的decoder，没有有效使用每个级别的不一样的特征，所以他提出了一种Feature Fusion，在decoder的融合阶段不仅利用了对应encoder部分的高维特征，还利用了更深层的高维特征（看图比较好理解），而且还对这些特征做了一定的处理（注意力机制）。