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