论文标题:Efficient Medical Image Segmentation with Intermediate Supervision Mechanism 论文链接:https://arxiv.org/abs/2012.03673 作者单位:河北工业大学, 澳门大学, 牛津大学, 联勤保障部队第983医院 U-Net及其变体的分割精度不适用于小目标。因此,本文提出了不同的中间监督机制来解决这个问题。此外,引入了权重(tied-weight)解码器模块以提高模型的训练效率。

由于U-Net的扩展路径可能会忽略小目标的特征,因此提出了中间监督机制。原始掩码也作为中间输出的标签输入网络。但是,U-Net主要从事分割,提取的特征也针对分割位置信息,并且输入和输出是不同的。我们需要的标签是输入和输出都是原始掩码,这与重构过程更相似,因此我们提出了另一种中间监督机制。但是,此中间监视机制的收缩路径提取的特征不一定一致。例如,U-Net的收缩路径提取横向特征,而自动编码器提取纵向特征,这可能导致扩展路径的输出与标签不一致。因此,我们提出了共享权解码器模块的中间监督机制。尽管中间监督机制提高了分割精度,但是由于额外的输入和多重损失特征,训练时间过长。对于这些问题之一,我们引入了束缚加权解码器。为了减少模型的冗余度,我们将共享权重解码器模块与捆绑权重解码器模块结合在一起。

内容中包含的图片若涉及版权问题,请及时与我们联系删除