Tensorflow中的ACUNET優點是什么

發布時間：2021-11-17 09:58:09 來源：億速云閱讀：162 作者：柒染欄目：大數據

這篇文章將為大家詳細講解有關Tensorflow中的ACUNET優點是什么，文章內容質量較高，因此小編分享給大家做個參考，希望大家閱讀完這篇文章后對相關知識有一定的了解。

今天將分享Unet的改進模型ACUNet，改進模型來自2020年的論文《ACU-NET:A 3D ATTENTION CONTEXT U-NET FOR MULTIPLE SCLEROSIS LESION SEGMENTATION》，通過理解該模型思想，在VNet基礎上可以做同樣的改進。

1、ACUNet優點

Unet雖然在醫療分割領域獲得了成功，但是其無效地使用上下文信息和特征表示，很難在MS病變上得到精準分割。為了解決該問題，文章提出了3D上下文注意力Unet結構（ACUNet），用來分割MS病變，包括3D空間注意模塊，在解碼階段其用于豐富空間細節和病變特征表達。此外，在解碼和編碼階段，3D上下文引導模塊用來擴大感受野和引導局部信息和周圍信息。

2、ACUNet結構

2.1、3D上下文引導模塊

MS受大腦組織周圍結構和形狀的影響，所以病變周圍體素包含病變的一些信息。為了充分利用周圍信息，設計了3D上下文引導模塊，如下圖所示。在該模塊中結合了低維局部信息，高維局部信息和周圍信息，其中低維局部信息是輸入特征圖，高維局部信息是經過卷積操作獲得的，周圍信息是通過空洞卷積獲得的，其輸入是將低維局部信息和高維局部信息相結合后再經過空洞比率為2所得到結果，最后輸出將這三者進行拼接輸出。

2.2、3D空間注意力模塊

空間細節經常會在高維輸出結果中丟失，這是由于級聯卷積和非線性引起的。這使得很難減少對尺寸和位置高度可變對象的錯誤檢測。3D空間注意力模塊可以解決該問題，其在每個體素上產生空間注意力系數。最后的輸出是輸入特征與空間注意力系數元素相乘，如下圖所示。為了減少模塊的復雜性，首先將輸入特征圖采用間隔為2的卷積操作來降采樣，縮小圖像一半的分辨率。門控向量用來決定病變區域的每個體素。在ACUNet中，輸入特征圖x是在解碼階段中的低階特征，而門控向量a代表了在編碼階段中高階特征。整個過程：a經過3x3x3卷積，x經過間隔為2的3x3x3卷積，然后兩者求和后經過relu激活函數合并輸入信息和門控信息，再經過1x1x1卷積，再經過sigmoid激活函數，再上采樣到原始輸入特征圖分辨率大小，最后在于原始輸入特征圖進行矩陣元素相乘得到最后的輸出。

2.3、損失函數

考慮到醫學圖像的不平衡性，采用Focal Tversky損失函數。文章中最佳參數是alpha=0.7，beta=0.3，gama=0.75.

2.4、3D上下文注意力Unet

與3DUnet不同之處，在編碼階段引入了3D上下文引導模塊，在解碼階段引入了3D上下文引導模塊和空間注意力模塊。3D上下文引導模塊用來擴大感受野和引導上下文信息。空間注意力模塊用來豐富空間細節和病灶特征表達。此外，在解碼階段還引入了深監督機制，其有兩個優勢：保證每個尺度中間層都有語義差異，確保3D空間注意力模塊可以影響圖像前景內容。

2.5、評價指標

采用dice相似系數，正確預測比率，病變陽性比率，病變假陽性比率。

3、實驗與結果

3.1、采用的數據是ISBI2015的MS病變分割挑戰賽數據，訓練集包含5例病人，測試集是14例病人。每個病人都有T1，T2，PD和FLAIR四個序列圖像。

3.2、使用的是GTX2080Ti的顯卡，采用隨機梯度下降法作為優化器，學習率為0.03，衰減參數是1e-6，動量是0.9。MRI圖像采用固定大小181x217x181，在訓練的時候裁切到160x192x160大小。數據增強采用旋轉和翻轉手段。T1，T2，PD和FLAIR模態圖像組合構成四個通道的輸入數據。訓練了80epoch，使用batch大小是1。

3.3、結果比對，相比于現有的方法，ACUNet可以得到更好的綜合結果。

關于Tensorflow中的ACUNET優點是什么就分享到這里了，希望以上內容可以對大家有一定的幫助，可以學到更多知識。如果覺得文章不錯，可以把它分享出去讓更多的人看到。

向AI問一下細節

亚洲激情专区-91九色丨porny丨老师-久久久久久久女国产乱让韩-国产精品午夜小视频观看

Tensorflow中的ACUNET優點是什么

猜你喜歡

亚洲激情专区-91九色丨porny丨老师-久久久久久久女国产乱让韩-国产精品午夜小视频观看

Tensorflow中的ACUNET優點是什么

猜你喜歡

最新資訊

相關推薦

相關標簽