上两篇我分享了深度监督VNet和多尺度VNet，效果已经有所改善，进一步改进的话，非常简单的想法就是把两者进行结合，那么今天我将分享多尺度深度监督VNet。
1、多尺度深度监督VNet模型
多尺度深度监督VNet模型结构示意图如图所示。在解码网络中每个下采样操作都有一个额外的分支输入操作，该分支操作是将原始图像下采样到不同尺度图像与每个下采样操作的输出图像大小一致，而在编码网络中每个上采样操作都有一个额外的分支操作，该分支操作是将不同尺度图像通过不同尺度上采样操作将图像恢复到原始图像大小。
2、数据集
我们使用LiTS—LiverTumorSegmentation Challenge的CT图像做为我们的训练数据和测试数据。下载地址：https://competitions.codalab.org/competitions/17094#participate。
3、网络训练过程
网络实现不是很复杂，需要注意的一个点就是对原始图像进行不同尺度降采样后还需要加一个卷积操作将输出的Feature Map个数与下采样操作输出的Feature Map个数一致，然后再将它们的输出进行拼接做为下一层的输入。网络输出有四个不同尺度分割结果，我们需要将前三个不同尺度分割结果分别与金标准图像来计算dice（即loss1，loss2，loss3），然后相加，为了控制这三个结果对最后分割结果的影响，还需要乘一个权重因子alpha（初始为1），随着不断训练alpha也随着不断衰减（以0.9倍衰减）。losslast是最后输出层结果与金标准图像计算的dice，最终lossall公式如图所示。
4、结果
下载的训练数据有130例，我们选择110数据来进行训练，20例用来测试。在测试数据上平均精度：多尺度深度监督VNet为91.59%，VNet为91.06%。最后给出一张肝脏分割金标准结果，VNet结果和MSDSVNet结果对比效果图。
