论文：H-DnseUnet:Hybrid Densely Connected UNet for Liver and Tumor Segmentation from CT Volumes
1、摘要：
- 使用2D DenseUNet来提取切片内的特征，用3D DenseUNet来提取切片间的特征，最后使用混合特征融合的方法将片内特征和片间特征联系起来。
- 获得很高的性能表现，且减少运算量和计算时间。
2、Method
- 先用一个resnet提取粗略的肝脏ROI。
- 再用H-DenseUNet对提取的ROI提取片间和片内特征。2D DenseUNet提取片内特征，3D DenseUNet提取片间特征
2.1 2D DenseUNet和3D DenseUNet
背景信息
- 解决的问题：①FCN使用max pool丢失大量的底层信息。②DenseNet主要应用于分类
- why可解决：①Dense Connection，可在每一个小块中保证尽量多的信息传递。②UNet的skip connection可保证底层信息的传递。
- 注意：文中使用的不是maxpooling，而是average pool。
- 文中的2D和3D的输入的slices分别是：3和12，对于一张3D图像有多个batch。然后再使用HFF混合特征融合。
架构：Dense + Unet
架构：2D DenseUNet+3D DenseUNet
- ①将一个3D Image分为n个size为224x224x12的图像作为输入。
- ②将224x224x12的图像分割拆分为224x224x3、224x224x12分别作为2D DenseUNet和3D DenseUNet的输入。
- ③将来自三个不同的输入concatenate起来作为3D DernseUNet的输入。
困惑
- 还是不太理解2.5D神经网络的通道数为什么是1？因为将其看作是一个三通道的特征图。
- 为什么文中说2D和3D DenseUNet可joint train呢？且在3D中使用counterpart？
2.2 H-DenseUNet
HFF混合特征融合
- ①将2D和3D网络的输出相加作为HFF的输入。
困惑：文中并没有对混合特征HFF公式进行细说？
补充
- 2.5D卷积神经网络：使用的是2D的卷积神经网络，但是输入的不是2D，而是5个切片堆叠在一起。5个切片同时输入可以提供额外的纵向上下文信息，并且减少运算量。同时，横向（片内）特征占比较多，更有利于分割。论文标题：Automatic liver lesion segmentation using a deep convolutional neural network method
