如何分析Tensorflow中的SAU-Net

這期內容當中小編將會給大家帶來有關如何分析Tensorflow中的SAU-Net，文章內容豐富且以專業的角度為大家分析和敘述，閱讀完這篇文章希望大家可以有所收獲。

1、SAU-Net優點

醫療3D分割一般是通過3D卷積神經網絡（CNN）利用空間信息來進行連續和準確的分割。但是3D CNN受限于更高的計算成本，內存和過擬合的風險，特別是對于醫療而言標記數據數量是有限。為了解決這些問題，論文作者采用注意力機制來利用切片間信息并基于2D卷積網絡，提出基于空間注意力的密連接的U-Net（SAU-Net）。首先初始3D圖像分解為一堆2D切片，然后通過密連接的U-Net結構來獲取切片內粗糙的分割概率結果，最后，附加了切片間注意模塊以捕獲和融合3D切片間空間信息和2D上下文信息，以此來完善3D分割結果。論文實驗結果表明了ISA的有效性以及與其他深度學習方法相比分割結果有更高準確性和有效性。論文主要貢獻如下所述：

A、運用注意力機制在基于2D卷積網絡的3D分割任務中利用切片間信息并提出切片間注意模塊（ISA）。

B、提出了一種新穎的結構，稱為基于空間注意力的密連接U-Net（SAU-Net）從3D MR圖像進行有效和準確的脊柱分割。

2、SAU-Net結構

SAUNet結構如下所示，首先將3D體數據按照深度分成多個2D序列圖像，然后用密連接的Unet網絡來獲取切片內信息得到每個切片大致分割概率結果，最后通過切片間注意力模塊對2D上下文信息來捕獲和融合3D空間信息，產生最后的精致分割結果。

2.1、密連接Unet結構

卷積層之前和之后的短連接可以合并上下文的信息，使得卷積網絡更加準確和高效。在經典Unet結構上引入密連接模塊可以更好地從不同切片中提取更好的特征。下采樣模塊包括卷積層，BN層，Relu，密連接和最大池化層，上采樣模塊包括拼接層，卷積層，BN層，Relu，反卷積層。

2.2、切片間注意力模塊（ISA）

由于空間連續性，各層的分割結果在空間上與上層和下層是相關的。因此，相鄰切片的信息用于優化分割圖像的單個切片是有用的。為了解決這個問題，提出了切片間注意模塊（ISA），利用相鄰切片之間的上下文信息來增強分割結果的連續性。對于分割任務，通常通過在特征圖上創建表示信息區域的模板來獲取注意力，從而突出顯示最突出的區域并抑制無關的區域。ISA結構如下所示，為了利用空間連續性信息，使用相鄰切片的特征圖通過生成注意力模板并融合到切片的特征圖中來進行分割，從而獲得了精確的分割結果。

ISA細節結構如下所示，例如對于切片i的分割，切片i + 1和切片i-1的特征圖（第一個和最后一個切片只有一個相鄰切片)通過使用1×1卷積和sigmoid函數生成注意力模板。生成的模板表示基于相鄰切片信息進行切片i分割的注意力區域。然后將注意力模板與切片i特征圖融合。模板的大小與切片i的特征圖相同，通過切片i特征圖對應模板元素相乘并將相乘后的結果與切片i特征圖相加，得到注意力融合輸出，在模型的最后使用sigmod函數得到最后的精細分割結果。對于第一個和最后一個切片，注意力融合的過程減半。 

3、實驗與結果

3.1、數據與評價指標

采用SpineT2W數據集來訓練和驗證，包含195例T2加權脊柱MR圖像，采用開源的MR數據集來測試，包含23例T2加權MR圖像。

Dice相似系數，Jaccard系數，Hausdorff距離，精度和召回率。

3.2、實現細節

采用TeslaV100GPU（32G顯存），采用二值交叉熵損失函數，Adam優化器，學習率為0.0001.實驗結果通過5折交叉驗證的方式來驗證。

3.3、實驗對比

與2DUnet和3Dunet結果進行比較，SAUNet在所有的指標上都是最好的結果。

上述就是小編為大家分享的如何分析Tensorflow中的SAU-Net了，如果剛好有類似的疑惑，不妨參照上述分析進行理解。如果想知道更多相關知識，歡迎關注億速云行業資訊頻道。