Unet变形——融合片间特征和片内特征的H-DenseUnet

我为什么阅读这篇文献？

最近研究了一下分割领域，从经典的FCN到后来的UNET发展到现在，除了一些UNET的扩展变换之类的，在二维图像上处理已经达到了一个瓶颈，甚至出现了利用label来自动选择最小ROI再进行分割的方式，即使这样，作者也只达到了86.70±3.51的准确率，参见Yijun Liu等人的工作。而我导师总是在说这种方式没有利用到三维的连贯信息，如何利用分割的部位在空间上的连贯性是提高准确率的一个重要的方式。

那么在搜集相关文献时，发现本文就是利用了这种思想，所以在此仔细阅读了几遍。

本文亮点

1. 本文解决了在3D训练中对GPU、内存等消耗过大的问题；
2. 本文融合2D与3D进行训练提取特征，充分利用了上下文信息；

文章摘要

近年来，全卷积神经网络(FCNs)，包括二维和三维FCNs，在许多体图像分割中起着重要的作用。然而，二维卷积不能充分利用三维空间信息，而三维卷积的计算量和GPU内存消耗都很大。为了解决这些问题 文中提出了一种新的混合密集连接的UNET(H-DenseUNet)，它包括一个用于有效提取片内特征的2D denseUNet和一个用于分层聚合的3D DenseUNet对应体分割。其中片内和片间特征可以通过混合特征融合(HFF)层联合优化。

文章框架

• 文章设计了一个DenseUNet用来有效地探测