摘要
UNet是医学图像分割中的主流网络，以往的对于UNet网络的修改都是有一个跳跃连接的编码器和解码器组成。这种结构的信息流路径是有限的。
本文提出的Laddernet，可以看成是一个由多个UNet组成的链。与原始的UNet不同。Laddernet具有多对编码器-解码器分支。并且在每一层中每对相邻的解码器和解码器分支之间都具有跳过连接。
此外收ResNet的启发，网络使用了改进的残差块。其中一个块中的两个卷积层共享相同的权重。由于存在跳跃连接和残差块。Laddernet具有更多的信息流路径，可以看做是全卷积神经网络的集成
卷积神经网络能够流行的主要原因在于1：有大量的数据集以及强大的计算资源2：对图像进行卷积运算是平移不变的，可以共享权值进行特征提取3：Relu激活函数的成功。
LadderNet
网络是一个用于语义分割的多分支卷积神经网络，如下图所示，网络具有更多的信息流
不同空间尺度的特征用字母A到E命名，列用数字1到4命名。我们将列1和列3命名为编码器分支，将列2和列4命名为解码器分支。我们使用步幅为2的卷积从小接收域特征到大接收域特征。
LadderNet与UNet网络的联系
LadderNet可以看做是一个UNet网络链。第一和第二列可以看做是一个UNet，第三和第四列可以看做是一个UNet，并且在A-D级之间存在着跳跃连接。与UNet不同的是，来自编码器的分支特征和来自解码器的分支特征，将来自两个分支的特征相加。
我们在这里演示了一个由2个u - net组成的LadderNet，但附加更多的u - net形成复杂的网络结构
共享权重的残差块
更多的编码器-解码器分支将增加参数的数量和训练的难度，为了解决这个问题，本文提出了共享权重残差块，在这样的结构中，同一块中的两个卷积层共享相同的权重，同一块中的两个卷积层可以视为一个循环层，只是两个批归一层不同。
总结
本文提出了一种基于LadderNet的语义分割方法。与U-Net相比，LadderNet有更多的编解码器对。跳过连接使LadderNet有多条路径用于信息流，并且路径数量随着编码器-解码器对的数量呈指数增长。另一个创新是共享权重残差块，它结合了残差连接、循环卷积层和dropout正则化的优点。共享权重设计也大大减少了参数的数量