关于人工智能:HalfUNet用于医学图像分割的简化UNet架构

Half-UNet简化了编码器和解码器，还应用了Ghost模块(GhostNet)。并从新设计的体系结构，把通道数进行对立。

论文动机

编码器的不同类型的架构图，编码器(A-C)的构造别离来源于U-Net的编码器、解码器和全的Unet构造。

上面是上图的一些后果指标

将U-Net 的编码器和解码器都视为编码器。通过设计单个解码器来聚合 C1 到 C16 的特色，其构造与 UNet 3+ 中的全尺寸特色聚合雷同。编码器（A）能够达到与编码器（C）相当的性能，而编码器（B）的性能显著降落。也就是说U-Net的解码器（图中的B局部）是能够被简化的并且不影响性能。

1、对立通道数

上图阐明了如何在UNet3+的第三解码器层中结构全尺寸聚合特色映射。

在U-Net和UNet 3+的每一个下采样步骤中，特色通道的数量都减少了一倍，加强了特色表白的多样性。然而这减少了模型的复杂性。在 Half-UNet 中，所有特色图的通道数是对立的，也就是缩小了卷积运算中的过滤器数量。

2、全尺寸特色交融

U-Net和UNet 3+都应用串联操作进行特色交融，这须要更多的内存和计算量。而加法操作不须要额定的参数和计算复杂度。将不同比例尺的特色图上采样到原始图像的大小，而后通过加操作进行特色交融。

从上图能够看到，他只用了unet的编码器局部，也就是一半的unet，所以这就是Half-UNet的由来

3、Ghost 模块

与规范卷积相比，Half-UNet 应用 Ghost 模块来缩小所需的参数和 FLOP。与 GhostNet 中一样，Ghost 模块应用便宜操作的同时生成更多的特色图。

应用 s=2，其中 s 示意固有特征图比例的倒数。一半的特色图由卷积生成，另一半由深度可拆散卷积生成。最初将特色图的两局部连接起来造成输入。

论文应用3个数据集

定量后果

Half-UNet†：删除 Half-UNet 中的 Ghost 模块，在乳房 X 光图像方面优于 U-Net 及其变体，在肺结节图像方面比 Half-UNet 更靠近U-Net。Half-UNet† 在左心室 MRI 图像方面的体现不如 Half-UNet。

与U-Net及其变体相比，Half-UNet(有无Ghost模块)具备类似的宰割精度，而参数和flop别离升高了98.6%和81.8%。

Half-UNet†u 和 Half-UNet †d 的通道数在下采样后翻倍。解码器中的特色交融有两种策略：

1、Upsampling2D + 3×3 convolution，Half-UNet†u和UNet 3+是这样做的；

2、反卷积，也就是Half-UNet†_d和U-Net所做的。

能够看到Half-UNet†u和Half-UNet†d与Half-UNet†相比，减少了所需的flop和参数。

定性后果

Half-UNet、U-Net 和 UNet 3+ 在左心室 MRI 中的定性比拟。Half-UNet 能够更残缺地宰割心内膜和心外膜边界。

进一步的钻研

在Half-UNet子网络的左侧，因为双线性上采样和加法都是线性运算，因而简直不产生参数和计算。在Half-UNet子网络的右侧局部，因为输出通道数量较少(只有64个)，并且应用了Ghost模块，卷积的代价显著小于其余构造。

Half-UNet防止了上述三种网络的问题，大大降低了所需的参数和FLOPs。

依据论文表述U-Net 在医学图像宰割中的胜利次要归功于其分而治之的解决方案，而不是特色交融。所以作者提出了Half-UNet，简化了特色交融局部。

依据我集体的了解，Half-UNet 除了大大减少了参数和FLOPs以外，应该会在宰割界线不尖利的状况体现的比unet更好。

论文地址：Half-UNet: A Simplified U-Net Architecture for Medical Image Segmentation

https://avoid.overfit.cn/post/b6a976d524644102bec313b1a28e0375