如何理解Tensorflow中的GER-VNet，很多新手對(duì)此不是很清楚，為了幫助大家解決這個(gè)難題，下面小編將為大家詳細(xì)講解，有這方面需求的人可以來(lái)學(xué)習(xí)下，希望你能有所收獲。

成都創(chuàng)新互聯(lián)公司主營(yíng)鐵門(mén)關(guān)網(wǎng)站建設(shè)的網(wǎng)絡(luò)公司,主營(yíng)網(wǎng)站建設(shè)方案,app軟件開(kāi)發(fā)公司,鐵門(mén)關(guān)h5微信小程序搭建,鐵門(mén)關(guān)網(wǎng)站營(yíng)銷(xiāo)推廣歡迎鐵門(mén)關(guān)等地區(qū)企業(yè)咨詢

一、常規(guī)卷積網(wǎng)絡(luò)的局限性

1、常規(guī)的卷積神經(jīng)網(wǎng)絡(luò)只能利用變化的平移，而忽略醫(yī)學(xué)圖像中存在的其它固有對(duì)稱性，例如旋轉(zhuǎn)和反射。為了緩解這一缺點(diǎn)，本文提出新穎的組不變性分割框架，其通過(guò)編碼那些固有的對(duì)稱性來(lái)學(xué)習(xí)更精確的表達(dá)。首先，在每個(gè)方向上都設(shè)計(jì)了基于核的不變運(yùn)算，可以有效地解決現(xiàn)有方法中學(xué)習(xí)對(duì)稱性的問(wèn)題。然后，為使分割網(wǎng)絡(luò)保持全局等價(jià)，設(shè)計(jì)了具有分層對(duì)稱約束的獨(dú)特組層。通過(guò)利用更多的對(duì)稱性，新穎的分割CNN可以比常規(guī)CNN大大降低樣本復(fù)雜度和過(guò)濾器的冗余（大約2/3）。

2、為了讓常規(guī)CNN擁有更多的對(duì)稱屬性，常見(jiàn)有三個(gè)策略方法。第一個(gè)是數(shù)據(jù)增強(qiáng)，是常見(jiàn)的有效方法，雖然數(shù)據(jù)增強(qiáng)可以讓CNN學(xué)習(xí)到不同變換特征，但是學(xué)習(xí)到的CNN特征參數(shù)大小會(huì)變大從而導(dǎo)致特征參數(shù)過(guò)度冗余，過(guò)擬合風(fēng)險(xiǎn)也越高。此外，這類(lèi)軟約束不能保證訓(xùn)練好的CNN模型在測(cè)試數(shù)據(jù)或訓(xùn)練數(shù)據(jù)上具有不變性。第二個(gè)是在現(xiàn)有旋轉(zhuǎn)不變網(wǎng)絡(luò)中可以在每一層維持多個(gè)旋轉(zhuǎn)特征圖，并且易于實(shí)現(xiàn)。但是在每一層旋轉(zhuǎn)和重復(fù)原始特征輸出，大大增加了存儲(chǔ)需求。第三個(gè)是通過(guò)作用于濾波器的旋轉(zhuǎn)等變性的方式，這已經(jīng)成為一個(gè)有希望的方向。盡管旋轉(zhuǎn)的卷積核可以在每個(gè)卷積層的不同方向上實(shí)現(xiàn)局部對(duì)稱，但是這些解決方案通過(guò)會(huì)限制了網(wǎng)絡(luò)的深度和全局旋轉(zhuǎn)不變性，這是由于維數(shù)爆炸和方向池化操作產(chǎn)生了加劇噪聲所致。

3、論文靈感來(lái)自于圖像常規(guī)分類(lèi)中的組不變CNN。通過(guò)將平移，旋轉(zhuǎn)和反射結(jié)合在一起來(lái)建立對(duì)稱組，以顯著提高每個(gè)內(nèi)核的利用率并減少過(guò)濾器的數(shù)量。設(shè)計(jì)了強(qiáng)大的分層約束以確保每個(gè)網(wǎng)絡(luò)的均等性并具有嚴(yán)格的數(shù)學(xué)證明。在過(guò)濾器而不是特征圖上執(zhí)行等變變換，以減少內(nèi)存需求。組不變層和模塊可以以端到端的方式使網(wǎng)絡(luò)全局不變。此外，它們可以堆疊到用于各種視覺(jué)分割任務(wù)的更深層次的體系結(jié)構(gòu)中，而基于常規(guī)CNN的對(duì)等對(duì)象的計(jì)算開(kāi)銷(xiāo)卻可以忽略不計(jì)。

二、GER-Unet網(wǎng)絡(luò)

1、組不變分割框架的核心模塊

所有的網(wǎng)絡(luò)操作都是基于相同對(duì)稱組，其由平移，旋轉(zhuǎn)90度和反射組成，因此一共有八個(gè)組即4個(gè)純旋轉(zhuǎn)和自己相應(yīng)反射。

組輸入層：第一層輸入是原始輸入圖像。將輸入圖像與8個(gè)旋轉(zhuǎn)和反射具有相同卷積核進(jìn)行卷積，最開(kāi)始是一個(gè)卷積核參數(shù)，通過(guò)旋轉(zhuǎn)90度和自己反射生成8個(gè)方向卷積核，如下圖所示。

組隱藏層：輸入是不同方向的特征圖。對(duì)輸入每個(gè)方向的特征圖與8個(gè)旋轉(zhuǎn)和反射對(duì)稱組進(jìn)行卷積計(jì)算，如圖所示。

三、實(shí)驗(yàn)細(xì)節(jié)及結(jié)果

1、訓(xùn)練數(shù)據(jù)：131例增強(qiáng)CT數(shù)據(jù)。

2、評(píng)價(jià)指標(biāo)：為了比較不同分割方法的結(jié)果，采用dice，Hausdorff距離，Jaccard，精度（稱為正預(yù)測(cè)值），召回率（稱為靈敏度系數(shù)或真實(shí)陽(yáng)性率），特異性（稱為真實(shí)陰性率）和F1得分。

3、參數(shù)設(shè)置：訓(xùn)練數(shù)據(jù)與測(cè)試數(shù)據(jù)比值是4：1。在tesla V100（16g顯存）上訓(xùn)練，batchsize是4，學(xué)習(xí)率是0.0002，訓(xùn)練次數(shù)是300epochs，并采用早停止策略，采用交叉熵函數(shù)，采用Adam優(yōu)化器。

4、結(jié)果比較

相比于其它網(wǎng)絡(luò)模型，GERUnet魯棒性更好，各項(xiàng)指標(biāo)都優(yōu)于其它網(wǎng)絡(luò)模型結(jié)果。收斂速度也比其它網(wǎng)絡(luò)模型速度快。

看完上述內(nèi)容是否對(duì)您有幫助呢？如果還想對(duì)相關(guān)知識(shí)有進(jìn)一步的了解或閱讀更多相關(guān)文章，請(qǐng)關(guān)注創(chuàng)新互聯(lián)行業(yè)資訊頻道，感謝您對(duì)創(chuàng)新互聯(lián)的支持。