Tensorflow入门教程——多尺度VNet

上一篇我分享了2D版本VNet模型改进的深度监督VNet，效果已经有所改善，那么今天我将再分享一个改进的模型即多尺度VNet。

1、多尺度VNet模型

从上一篇深度监督VNet模型结构图可以看到，主要改进地方就在VNet的编码网络中每一个上采样操作。而今天所分享的多尺度VNet模型，右半边跟VNet结构是一样的，不同的地方在于左半边结构，每个下采样操作都有一个额外的分支输入操作，该分支操作是将原始图像下采样到不同尺度图像与每个下采样操作的输出图像大小一致。多尺度VNet模型结构示意图。

2、数据集

我们使用LiTS—LiverTumorSegmentation Challenge的CT图像做为我们的训练数据和测试数据。下载地址：https://competitions.codalab.org/competitions/17094#participate。

3、网络训练过程

网络实现不是很复杂，需要注意的一个点就是对原始图像进行不同尺度降采样后还需要加一个卷积操作将输出的Feature Map个数与下采样操作输出的Feature Map个数一致，然后再将它们的输出进行拼接做为下一层的输入。损失函数我们就是用dice就可以。

4、结果

下载的训练数据有130例，我们选择110数据来进行训练，20例用来测试。在测试数据上平均精度：多尺度监督VNet为91.39%。最后给出一张肝脏分割金标准结果，MSVNet结果和VNet结果对比效果图。

最近有朋友给我推荐了两个医学影像技术相关的SCI期刊的专刊，一个是跟超声图像相关的：https://jbhi.embs.org/special-issues/deep-learning-in-ultrasound-imaging/，这个投稿截止时间是在2019年4月份。另一个是用机器学习和大数据进行医学图像分析的：http://www.aimspress.com/news/295.html，这个投稿截止时间是在2019年年底。