用Mobile-Unet网络来进行肺结节图像分割。
该方法为了 兼顾识别精度和计算效率， 采用轻量型MobileNetV3网络作为主干网络，以实现深层特征提取，结合Unet网络来提高整体的分割性能。
MobileNetV3网络为解决现实场景应用中 计算能力受限而专门设计，具有参数量少、速度快、深度适中等优势，常作为主干网络应用于医学图像分割任务。
MobileNetV3网络主要分为3个部分。
- 第一部分(Conv3×3)为一个3×3的卷积层，用于提取特征；
- 中间部分(bneck1—4)为多个含有可分离卷积层块(bneck)的网络结构，由多个3×3、5×5的卷积块组成，通常深度越深，提取到的抽象特征越好；
- 最后一部分通过卷积层(Conv1×1)代替全连接层，经过池化等一系列步骤得到输出结果。
单一独立模型的局限性
- Unet网络。针对肺结节这种小而不明显的图像分割任务，抽象特征的有效提取有助于提升模型的分割性能。虽然Unet网络能够高效地利用不同层的特征，但是作为独立模型使用时还存在着以下不足：多次使用普通卷积如Conv3×3或Conv5×5,增加了模型设计的难度和普适性；网络层数还较浅(一般为7～10层),使得特征学习次数也有限，表达性不强。
- MobileNetV3网络。MobileNetV3中bneck模块结构含有多个尺寸和深度的可分离卷积块、批量归一化(BN)层、H-Switch激活函数等，可以根据任务和网络的需求选择不同的搭配方式，具有很强的灵活性，但该网络应用于医疗图像识别时还存在如下的局限性：忽略了特征与特征之间的联系性，bneck模块提取的深层特征没有以特征融合的方式结合浅层特征，导致部分重要特征的损失；激活函数插入位置一般相对固定，且实验样本数量较少，这导致了精度提升并不明显。
Mobile-Unet网络模型
其中 主干网络选用MobileNetV3轻量级网络，任务网络为常用的Unet网络，网络结构如图4。
- 首先，将MobileNetV3中bneck模块移植到Unet网络的编码部分；
- 其次，根据Unet编码部分位置 采用不同深度的bneck模块来提取特征，通常位置越深，所需bneck模块量越多，提取到的抽象特征也越高级；
- 最后，将提取后的特征依次连接到解码器的对应位置进行 特征融合，连接过程中需要保证特征图与解码器对应位置的通道数、尺寸保持一致。
Original: https://blog.csdn.net/weixin_46720482/article/details/125255830
Author: 阿玉婷子在学习
Title: Mobile-Unet
原创文章受到原创版权保护。转载请注明出处：https://www.johngo689.com/689709/
转载文章受原作者版权保护。转载请注明原作者出处！