3D Densely Convolutional Networks for Volumetric Segmentation
Toan Duc Bui, Jitae Shin, and Taesup Moon?
School of Electronic and Electrical Engineering, Sungkyunkwan University, Republic of Korea
任务：
六个月婴儿脑部分割（四分类）white matter (WM), gray mater (GM), cerebrospinal fluid (CSF) and background (BG) regions.
数据：
public 6-month infant brain MRI segmentation challenge (iSeg) dataset
http://iseg2017.web.unc.edu/
10 training samples and 13 testing samples.
Each sample includes a T1 image, a T2 image.
方法：
以DenseNet为基础网络结构，采用3D卷积，并使用1*1*1在3*3*3之前减少模型参数；
以stride=2的卷积代替pooling减少空间位置信息的损失；
dropout防止过拟合（每个3*3*3的Conv后），rate=0.2；
T1 T2分别白化操作作为输入，尺寸裁剪为64*64*64输入（受GPU限制）；
Adam，mini-batch=4，lr=0.0002，每50000次迭代lr乘0.1；
结果中overlap的部分投票决定。
评价指标：
Dice Coefficient (DC),
Modified Hausdorff Distance (MHD)
Average Surface Distance (ASD).
私人总结（此总结不具有普适性，给自己看的……不喜勿喷）：
没有特别重大的创新，但至少有值得借鉴的地方。
先说一点疑问：3D分割一直以来都有一个问题，可训练数据少，而文中所用方法的数据也非常少，虽然做了overlap的裁剪（未指明原T1尺寸和overlap的大小），但是对数据扩充部分没有提及，不知道是裁剪之后训练数据足够多还是做了其他的扩充手段。
个人习惯用2D的手段训练，可以借鉴的地方：
1、卷积代替pooling
2、DenseNet作为基础骨干网络
3、Dropout（平时做分割基本没用过dropout，可尝试）
【阅读笔记】3D Densely Convolutional Networks for Volumetric Segmentation
原文地址：https://www.cnblogs.com/xiangfeidemengzhu/p/8821447.html