【简读】3DConvCaps: 3DUnet with Convolutional Capsule Encoder for Medical Image Segmentation

本文主要是介绍【简读】3DConvCaps: 3DUnet with Convolutional Capsule Encoder for Medical Image Segmentation，对大家解决编程问题具有一定的参考价值，需要的程序猿们随着小编来一起学习吧！

简读

还是源于Unet的，将Unet的模块替换成了胶囊网络，替换源于CNN中存在以下原因：

（1）CNN中的池化会丢失一部分空间信息（个人觉得这个是见仁见智的，如果不通过池化，特征提取就可能满足不了平移不变性了）

（2）CNN对旋转和仿射变换敏感（CNN的卷积有良好的平移不变性，若发生旋转特征识别就可能失效了，因此对齐是很重要的）

胶囊网络的优势：

（1）胶囊网络与卷积神经网络的最大不同在于输出类型。前者为一组向量，向量中可以包含对目标的各种维度描述（见图1），如检测鸟时可分为：体型大小、羽毛颜色、鸟喙长度等等；而后者仅为对应特征值，该值即代表该鸟类。

（2）由于胶囊网络的向量形式，当目标发生旋转或放射变换时，向量仅需改变长度或角度即可适应这种变换。而卷积神经网络则没有这种特性

（3）需求更少的训练数据但训练较为缓慢

（4）非常适用于处理密集/拥挤的场景但较难识别靠得近且类型相同的目标（如检测人眼睛和鼻子非常轻松，但检测左眼和右眼则不容易）

于是，有人结合两者，在图像分割领域搞了一个3DUnet。

下图为结果，可见本文方法即使略逊色于纯卷积的3D-Unet，也远优于过往含胶囊网络的SOTA模型。

https://mp.weixin.qq.com/s/uV2RqIpQeqCzVsg4GP9pIw

这篇关于【简读】3DConvCaps: 3DUnet with Convolutional Capsule Encoder for Medical Image Segmentation的文章就介绍到这儿，希望我们推荐的文章对大家有所帮助，也希望大家多多支持为之网！