VolumeNet：一种用于医学体数据超分辨率的轻量级并行网络
图像与视频处理
2021-05-19 v2 计算机视觉与模式识别
摘要
基于深度学习的超分辨率（SR）技术在计算机视觉领域通常已取得优异性能。近来，已有研究证明，针对医学体数据的三维（3D）超分辨率相比传统的二维（2D）处理能给出更好的视觉效果。然而，由于参数量大且训练样本少，加深和加宽3D网络会显著增加训练难度。为此，我们提出了一种用于医学体数据超分辨率的3D卷积神经网络（CNN），称为ParallelNet，其采用并行连接。我们基于组卷积与特征聚合构建并行连接结构，以尽可能宽且参数量少的方式构建3D CNN。由此，该模型以更大感受野充分学习到更多特征图。此外，为进一步提升精度，我们给出了ParallelNet的高效版本（称为VolumeNet），其利用所提出的轻量级基本模块——Queue模块，减少参数量并加深ParallelNet。与多数基于深度可分离卷积的轻量级CNN不同，Queue模块主要由可分离2D跨通道卷积构建。因此，由于充分的通道融合，在保持精度的同时可显著减少网络参数量与计算复杂度。实验结果表明，与最先进的方法相比，所提出的VolumeNet显著减少了模型参数量并取得了高精度结果。
引用
@article{arxiv.2010.08357,
title = {VolumeNet: A Lightweight Parallel Network for Super-Resolution of Medical Volumetric Data},
author = {Yinhao Li and Yutaro Iwamoto and Lanfen Lin and Rui Xu and Yen-Wei Chen},
journal= {arXiv preprint arXiv:2010.08357},
year = {2021}
}