1.使用”限制对比度自适应均衡算法“对ct中特定区域进行图像增强，提高兴趣区域中肝脏的对比度
2.引入注意力机制，对卷积模块进行改进优化
3.引入密集连接机制
4.端到端的训练系统H-DenseUNet，直接输入CT图片进行肝脏和肿瘤分割
5.3D-Unet
6.V-net
7.在U-Net网络的输出端添加了条件随机场,为神经网络的输出结果增强了空间上的连续性,并将其应用于眼底血管自动提取、测量与分析上,改进后的模型在视网膜血管分割的测试集上平均准确率达到86.5%
8.对每层参数进行规范化处理，减少了训练时间
9.新型残差U型网络，残差U型网络在分割效果上比U-Net网络提升了约13%
10.Attention U-Net，ResUnet（由ResNet网络的残差模块代替unet中的普通卷积模块，该网络不仅可以提高分割效果，并且它的参数量只有unet的1/4），unet++（引入嵌套和密集的跳跃连接进一步加强了跳跃连接）
11.可以接收任意大小的输入图像（这样就不用要求训练图像和测试图像具有同样的尺寸）
12.采用混合损失函数（BCE,DSC)
文章图片
将?从0变化到1，分别设置?为0、0.3、0.5、0.7、1.0
文章图片
当?设为0时，只使用DSC损失函数，当?设为1时，只使用BCE损失函数。3个评价指标
百分比的值在?=0.3 达到最大值，验证了BCE和DSC混合损失函数的有效性。此时，对模型的参数更新作用最好。因此，将?设置为0.3后进行后序的实验。
13.更改损失函数，使用Focal损失去代替交叉熵损失函数，以消除类不平衡问题
焦点损失(Focal Loss，FL)[11]
在交叉熵损失的基础上加入了调节因子，用于对
分类良好的样本进行指数降权，防止了大量简单
的负样本支配梯度
14.本网络在原始U-Net的基础上引入空洞空间卷积池化金字塔（Atrous Spatial Pyramid Pooling，ASPP)
15.Salehi 等[12]针对医学图像分割任务中的病变体素数量远低于非病变体素数量所导致的训练模型高精确度(Precision)、低召回率(Recall)的问题，提出了一种基于 Tversky 指数的广义损失函数,即 Tversky Loss(TL)，以解决数据不平衡的问题，在精确度和召回率之间寻求更好的平衡
16.unet四次降采样，四次上采样，为什么四次？为什么不能更多次或者更少次？
【创新点记录总结】17.下采样是编码，上采样是解码，编码器和解码器加起来叫做特征提取器，具体用什么特征提取器呢？各种微创新络绎不绝，到底用什么作为encoder，用vgg16作为编码器用ImageNet的明星结构来套（BottleNeck，Residual，还有去年的DenseNet）
推荐阅读
- nii格式转化为png格式或者img格式
- 深度学习|【GitHub开源】BP神经网络分类C++实现
- 腾讯算法大赛|【复赛前排分享（二）】收好这份王牌优化指南，助你轻松上分无压力
- 深度学习|深度学习之循环神经网络(RNN) — 理论与代码相结合
- 计算机视觉|图像处理（十）（傅里叶变换）
- 电商算法与创意生成|stylegan3（alias-free generative adversarial networks）
- 深度学习|Two-Stream Consensus Network论文阅读
- 深度学习知识总结|交叉熵函数
- 算法|历时一年，论文终于被国际顶会接收了