【论文笔记】——LadderNet: Multi-path networks based on U-Net for medical image segmentation

原文链接：LadderNet: Multi-path networks based on U-Net for medical image segmentation
代码：LadderNet

1.介绍

本文的模型是基于U-Net的医学图像分割模型，用于实现视网膜血管分割。作者认为传统的UNet的信息流路径数量是有限的，并且只有一对编码解码器，所以他提出了LadderNet，拥有更多的信息流和多对编码解码器，此外他还利用了共享参数来减少参数量。

2.模型

整体模型如下图所示，1、3是encoder分支，2、4是decoder分支，A-E是不同级的特征。整个模型没有使用池化层，用的是一个步长为2的卷积层代替，通道数在encoder部分逐级翻倍。

可以看出这是两个U-Net相连，有两个U形（12,34），而这两个U形之间的A-D级采用跳接连接起来。U-Net网络是，跳接用的是融合，也就是通道数相加，但是这里用的直接求和的模式（要求通道数必须一样）。这种连接方法可以一直继续，可以有N个U-Net网络相连，本文只是连了两个做示例。

从模型就可以看出，有很多条信息流路径，比如(1) A1 A2 A3 A4, (2) A1 A2 A3 B3 B4 A4, (3)A1 B1 B2 B3 B4 A4, (4) A1 B1 C1 D1 E1 D2 C2 B2 A2 A3 A4。每一条信息流都可以看做是一个FCN网络。路径数量随着U-Net的个数和级数指数级增长，所以LadderNet有捕获复杂特征的能力，并且能获得高准确率。

但增加更多的en