引言
近年来，深度学习在医学图像分割领域取得了显著进展。基于全卷积网络的 U-Net 已成为该领域最主流、最受关注的架构之一。尽管经典 U-Net 表现优异，但在处理复杂场景时仍存在局限。本文对经典 U-Net 进行了改进，并通过实验验证了其性能提升。
U-Net 模型分析
医学图像分割的核心目标很明确：识别细胞核、器官或肿瘤等感兴趣区域。这些图像往往来自不同模态，且目标对象形状不规则、尺度差异巨大。例如，皮肤镜图像中的病变规模变化就非常大。这种多尺度特性要求网络具备更强的鲁棒性。
为了应对不同尺度的目标检测，Inception block 采用了并行使用不同大小卷积核的策略。在 U-Net 中，每个池化层和反卷积层后通常接两个 3×3 卷积，这两个 3×3 卷积的感受野实际上近似于一个 5×5 卷积。受 Inception block 启发，最简单的增强方式是将 3×3、5×5、7×7 卷积并行处理，从而让网络从图像中学习多分辨率特征。
虽然这种结构有助于特征提取，但并行卷积会大幅增加内存消耗。借鉴 Inception v3 的思想，我们可以用一系列更小、更轻量级的 3×3 卷积核来分解大卷积核（如 5×5 和 7×7），从而在保证感受野的同时降低计算成本。
实验证明，这种轻量级结构能近似替代原有的类 Inception block，同时显著减少内存占用。这里有两个关键问题值得探讨：
为什么两次 3×3 卷积可近似一次 5×5 卷积？
从感受野角度看，两次 3×3 卷积得到的 1×1 特征图，其感受野大小为 5；而单次 5×5 卷积得到的 1×1 特征图，感受野同样为 5。这意味着两者在覆盖范围上等效，但前者能通过引入更多非线性激活函数提升表达能力，同时在特定配置下节省计算资源。
轻量级结构的实现细节
具体实现上，输入经过第一个 3×3 卷积保存特征图，再经第二个 3×3 卷积（相当于 5×5 效果）并保存结果，最后通过第三个 3×3 卷积（相当于 7×7 效果）。将这三层特征图拼接（concat）作为输出。
