论文推荐：基于深度对抗学习的超声图像乳腺肿瘤分割与分类

条件GAN (cGAN) + Atrous卷积(AC) +带权重块的通道注意力(CAW)

该论文提出了一种基于深度对抗学习的超声图像乳腺肿瘤分割分类方法（cGAN+AC+CAW），论文虽然是2019年提出的，但是他提出了使用GAN进行分割的方法在当时来说却是一个非常新奇的想法，该论文基本上把所有当时能够整合的技术全部进行了集成，并且还取得了很好的效果，所以是非常值得我们一读的，此外论文还提出了具有典型对抗损失的SSIM和l1范数损失作为损失函数。

使用 cGAN+AC+CAW 进行语义分割

生成器G

生成器网络包含一个编码器部分：由七个卷积层(En1到En7)和一个解码器：七个反卷积层(Dn1到Dn7)组成。

在En3和En4之间插入一个atrous卷积块。膨胀率1、6和9，内核大小3×3，步长为2。

在En7和Dn1之间还有一个带通道加权(CAW)块的通道注意力层。

CAW块是通道注意模块(DAN)和通道加权块(SENet)的集合，它增加了生成器网络最高级别特征的表示能力。

完整文章:

https://avoid.overfit.cn/post/ca132e2a8aa947c2a9b700b05f96efea