• 【论文笔记】MiniSeg: An Extremely Minimum Network for Efficient COVID-19 Segmentation


    论文标题:MiniSeg: An Extremely Minimum Network for Efficient COVID-19 Segmentation

    论文链接:https://arxiv.org/abs/2004.09750v3

    论文代码:https://github.com/yun-liu/MiniSeg

    发表时间: 2021年3月

    创新点

    设计了一个全新的网络用于covid-19新冠肺炎患者肺部图像分割,即Miniseg

    Abstract

    新的流行病(即 COVID-19)的迅速传播已严重威胁到全球健康。基于深度学习的计算机辅助筛查,例如 COVID-19 感染 CT 区域分割,引起了广泛关注。然而,公开可用的 COVID-19 训练数据有限,容易导致传统深度学习方法的过度拟合,这些方法通常需要数百万个参数。另一方面,快速训练/测试和低计算成本也是快速部署和开发 COVID-19 筛查系统所必需的,但传统的深度学习方法通​​常是计算密集型的。为了解决上述问题,我们提出了 MiniSeg,一种用于高效 COVID-19 分割的轻量级深度学习模型。

    与传统的分割方法相比,MiniSeg 有几个显着的优势:

    i)它只有 83K 参数,因此不容易过拟合;

    ii) 计算效率高,便于实际部署;

    iii) 其他用户可以使用他们的私人 COVID-19 数据对其进行快速重新训练,以进一步提高性能。

    此外,我们建立了一个全面的 COVID-19 分割基准,用于将 MiniSeg 与传统方法进行比较。

    Method

     

    简单来讲,Miniseg 的大框架属于编码器和解码器结构

    编码器使用 DB 和 AHSP 作为基本模块

    首先,input image 分别进入两个路径;

    分别为 path1,path2 组成;

    path1,由 DB 结构构建;

    path2,由 AHSP 结构构建;

    最后,每一个 Stage 的输出,通过 FFM 模块融合,最终输出预测图。


    Downsampler Block (DB)

    1*1 卷积降维,通道数减少一半,再使用 DSConv 后加 BN+PReLU,最后输出。

    这里加上 DSConv 的目的是降低参数,提升训练速度。


    Convolution Block (CB)

    3*3 卷积 + BN,PReLU


    Attentive Hierarchical Spatial Pyramid Module(AHSP)

    总的来讲,AHSP 是一个自上而下的融合模块。

    首先,input 经过 1*1 卷积,改变通道数,然后分成 5 个分支;

    其中,4 个分支为扩张卷积,旨在获得不同大小感受野;

    最上分支,为平均池化层,旨在,信息补充,因为扩张卷积后肯定会有信息丢失问题;

    然后,1*1 卷积,降维 + 非线性 + 两个通道,增加信息流;

    最后,按通道拼接 + 1*1 扩张卷积 + BN,PReLU,输出。


    Feature Fusion Module (FFM) 

    特征融合模块,获得不同大小感受野信息,然后逐元素相加。

    Experiments 

    实验目标:和不同模型进行对比

    实验结果:Miniseg 具有较大优势

    实验目标:分割结果图对比

      

  • 相关阅读:
    JVM上篇:类加载子系统
    年如何在不丢失数据的情况下解锁锁定的 Android 手机?
    Springboot+Vue实现前后端分离校园二手交易平台
    唯一性索引与逻辑删除冲突问题解决思路
    9月第3周榜单丨哔哩哔哩飞瓜数据B站UP主排行榜发布!
    python基础—并发编程
    【CSS】div 盒子居中的常用方法
    【无标题】
    顶级人工智能会议接收率及信息
    c语言入门——三子棋(N子棋)
  • 原文地址:https://blog.csdn.net/m0_58678659/article/details/125990864