MICCAI2018
摘要：
1.CNN的特征之间有空间相关性(指的是units in feature maps (FMs) at a given location and the corresponding classified voxels不懂？？)，FCN利用了特征的融合（FCN可以一次分割体素是什么意思？？什么叫一次分割，就是一次可以分割完整个slice）
2.但不是所有的都用空间相关性，所以就有了SEnet里面的注意力机制中的重新校准(SE,block)
3.然而，由于单元和体素之间的空间对应性，这在FCN中不是最佳的。 在本文中，我们通过线性扩展和压缩提出特征重组，以创建更复杂的语义分割特征。(线性扩展和压缩是什么意思？？？)
介绍：
贡献：
1.由于FM中的单元与体素之间存在空间对应关系，因此希望强调或抑制FM的某些区域，而不是整个FM。(不懂这个关系到底指的是什么?因为，分类的时候global average pooling对每个feature map做，那么这些feature map之间的关系就没有了，你会说后面还有全连接层可以算空间关系啊，但是全连接层算的是global average pooling之后的，在这pooling之后的元素全是每个feature map上下文的信息（即一个图片的全局信息），而分割的时候所有神经元，相同位置所对应的元素，这些元素之间都跟最后的分割有关系，所以这就叫空间关系)
2.在重组中，我们采用线性扩展，然后压缩以混合信息，而不是仅减少FM数。
3.用孔洞卷积代替了global average pooling在se block中（为什么？？因为使用卷积，可以结合空间信息，那为什么一定是孔洞呢？我的理解是其实普通卷积也可以，而且也可以压缩维度，但是普通卷积感受野有限，如果采用跟feature map一样大的卷积核，又会导致参数量过大）
4.在公开数据上评估
方法：
baseline segmentation
1.一个2分类WT-FCN用来分割肿瘤，使用这种分割，我们在肿瘤周围定义了一个感兴趣的长方体区域（ROI），每侧有10个额外的体素。（这10个额外的体素是什么意思？）
2.最后，第二个多级FCN（MC-FCN）负责分割ROI内的多个肿瘤结构。（多分类）
3.3d的2分类FCN使用3D块和3个pooling，这可以减少假阳性（为什么可以减少假阳性？）
4.MC-FCN（2D，多分类）并没有考虑RR，计算比WT-FCN更便宜，并且使用残差和使得网络与WT-FCN一样深，并没有好处。
Recombination and Recalibration:
1.如果只用普通的se模块，将缺少空间信息，这里用1x1卷积得到更高维度的特征，所以这里通过1x1的卷积对空间信息进行一个加权，然后再使用se模块（为什么一定要是更高维度的特征？）
2.对se模块的改进，由于gloabl average pooling会缺少空间相关性，一个直接的方法就是去掉global average pooling来获得空间相关性，但是又会丢失上下文信息，所以这里用孔洞卷积来代替global average pooling，并且压缩维度获得空间信息，这样既有上下文信息，又有空间信息
RR模块是先接了一个1x1卷积来获得更高维的特征，增多特征，这个特征经过SE模块后，再接一个1x1的卷积来压缩特征，这个卷积学习抑制那些具有很少判别性的特征，合成了更复杂的特征