BCNet论文精读

Title—标题

Boundary Constraint Network（边界约束网络） With Cross Layer Feature Integration（跨层特征融合） for Polyp Segmentation（息肉分割）

结构分析

标题结构由三部分组成，分别是本文的研究重心和研究对象，一目了然，两个研究重心使用with进行衔接，for指向研究对象。

句式总结

.....with......for......

Abstract—摘要

结构分析

在这段摘要中，

1）第一句首先介绍了研究问题（研究对象），说明息肉定位对临床研究的重要性。

2）第二句描述了现有工作以及缺点，向读者说明目前先进的息肉分割方向主要是深度学习网络，并指出当前工作存在的问题。

3）第三部分为论文的主要研究内容，首先，介绍所提出的网络名称和两大研究内容（跨层特征融合和边界信息），其次，承接上文引出对网络中两大模块CFIS和BBEM的描述，主要的格式为目的 + 描述，比如对CFIS模块的介绍，先指出为了避免简单添加或集中特征所带来的弊端，BCNet引入了CFIS模块，在描述模块时，注重介绍每个模块和子模块的作用和工作原理。

4）最后一部分为实验总论，着重写出相对于其他先进方法，本文提出的方法在三个数据集上都得到了提高。

句式总结

1. ……plays a vital role in……（描述研究对象）

2. ……provide a favoured prospect for……（描述先进研究方法）

3. ……applies……fusing the features of…… /……fusing the features of……via……  网络采用…（方法）…融合……特征

4. ……consists of……（描述模块内部）

5. ……introduces……module that……base……（描述提出方法，that后接作用，base后接方法原理）

6. Experimental results on……show that……competing……（描述实验结果）

有关创新度的用词：study/utilize/adopt（创新度低），study/agin（创新度中等），propose/design/construct/develop/introduce（创新度最高）

承接上文（总分结构）用词：Specifically

专业用词：context information上下文信息，global feature全局特征，self-attention mecha nism自注意力机制

一、Introduction—引言  

引言结构图：

结构分析

在引言部分，

1）第一段首先给出研究背景：息肉检测是预防直肠癌重要措施，在主客观性等各种原因下，人工检查息肉会存在纰漏。因此，设计客观的方法自动准确地分割内镜图像中的息肉具有重要意义。

2）第二段给出研究现状的技术种类：第一类为基于人为手动制作特征的方法，第二类为基于深度学习的方法。

3）第三段，进一步概括了基于人为手动制作特征的方法：1. 流行的策略主要为先手工提取特征，再通过传统的机器学习策略训练出分割模型。2. 这一类方法的缺点主要为三点：高度依赖设计者的经验；很难克服背景干扰，边界模糊的缺点；在不可视的情况通常表现平平。

4）第四段，进一步概括了基于深度学习的方法：首先给出标注[21]，[22]，[23]的文献工作，然后又概括当前的改进重心[24]-[35]。

5）第五段，概括了本文方法及贡献：首先，前两句给出了研究目的和研究动机，然后，三句概括了概述模型整体架构，最后，给出本文所做出的贡献，1.提出了一种新的深度网络（称为BCNet）；2.提出了一种新的跨层特征融合策略（CFIS），该策略由ACFIM和GFIM组成；3.提出了一种新的边界提取模块BBEM；4. 在三个公共数据集上进行的大量实验表明，BCNet具有很高的有效性和通用性。

6）最后一段，给出本文的论文结构安排。

句式总结

1. ……is considered as a vital measure for……（描述研究对象的重要性）

2.existing methods can be roughly divided into ……categories,i.e.,…… 现存的方法可以被分为n类，如……

3. ……methods has the following drawbacks……（描述相关工作的缺点）

4. ……methods utilize the knowledge of……（概括方法使用的原理）

5. The motivation behind …… is that，……（动机描述）

6. The contributions of this study are summarized below. （陈述创新点开头句）

二、Related Work—相关工作 

relate work结构图：  

结构分析

在相关工作部分，

1）第一段，首先给出章节概述：指出要以两个方面简要回顾自动息肉分割方面的一些杰出工作。（这里对应引言中研究现状）

2）第二段，给出了基于手工分割特征方法的技术背景：指明了该类型的方法的具体形式。

3）第三段，给出了基于手工分割特征方法的相关工作：注重介绍了手工提取特征的相关方法，如曲率分析和椭圆拟合，陈述了曲率分析和椭圆拟合的相关概念，随后例举了近年来各种手工提取特征的相关工作[17]-[20]，[38]-[40]。

4）第四段，总结手工分割特征方法的不足之处：与引言中的1,2,3缺点基本一致。

5）第五段，给出了基于深度学习方法的技术背景：将基于深度学习的息肉分割方法概括为两类， 即通用方法和专用方法。

6）第六段，介绍了有关通用方法的相关工作：首先给出了通用方法的概念，通用方法是指用于多个医学图像的通用网络。随后例举了多个通用网络，如FCN[22]、U-Net[21]、U-Net++[41]、ResUNet++[24]、[42]、一 种融合全局/多尺度上下文信息的新网络[43]、一种多任务学习网络，同时促进边界和对象掩码的生成[44]。

7）第七段，介绍了有关专用方法的相关工作：首先给出了专用方法的概念，即根据息肉分割的特点进行设计的特定网络。随后列举了多种专用网络。

8）第八段，总结并阐述改进之处：首先，综上所述阐明基于cnn的息肉分割方法比依赖手工特征的方法表现出明显的优势，随后，指出基于cnn的方法依然有许多可以改进的地方，如1.现有的多种息肉分割方法没有做到多层融合，2.只靠前一层的预测映射作为指导息肉边界分割是不够的。

三、Method—方法

Method章节结构图：

结构分析

在方法部分，

1）第一段，首先给出章节概述：给出了章节结构。

2）第二段，概述模型整体流程：描述BCNet整体流程，用各模块的输入输出进行衔接，简述各个模块的作用。

3）第三段，阐述所用的主干网络和学习策略：采用Res2Net的五个残差卷积块作为骨干网络。采用多任务学习作为学习策略。

4）第四段，概述概括CFIS模块的内部结构和整体流程：首先，概述CFIS的输入、输出，然后，具体介绍CFIS内部工作流程，即实现输入到输出的过程，最后指明CFIS重点在于子模块ACFIM、GFIM。

5）第五段，概述ACFIM模块：首先，指明ACFIM模块设计理论依据，通过应用注意力机制，自适应地选择和加强重要特征。然后，概述了ACFIM模块在技术上的实现过程，并给出了对应的算子公式。

6）第六段，第七段，概述GFIM：在第六段，首先，给出引入GFIM模块的原因，在使用ACFIM模块的输出用来定位息肉区域不理想，因此引入GFIM进一步提取全局特征信息。随后，给出GFIMmax和GFIMavg的区别以及作用。在第七段，概述GFIM模块在技术上的实现过程，并给出了相应的算子公式。

7）第八段，第九段，概述BBEM模块：在第八段，首先，阐述引入BBEM模块的原因，为了提高分割边界质量。随后，给出引入BBEM模块的动机（出发点），1.一方面，整体架构中浅层的特征图分辨率较高，易提取更精确的边界信息，2.另一方面，以深层提取的位置信息作为双边指导，有助于增强息肉边界特征。在第九段，概述BBEM模块在技术上的实现过程，并给出了对应的公式。

8）第十段，结合可视化工作进一步阐述BBEM模块设计依据和实现过程：参考可视化结果图，介绍BBEM模块内部两个分支对应的两种不同分割边界的方法，一种以息肉区域为引导分割边界，另一种以非息肉区域为引导进行分割。最后得出结论，融合这两个分支的输出能够获得更佳的效果。

9）第十一段，介绍了所设计的损失函数：首先，介绍基础损失函数的构成和理由，基础损失函数由iou损失函数和交叉熵损失函数构成，并给出对应公式。随后，给出了总损失函数和对应公式。

四、Experiments And Results—实验和结果

实验和结果章节结构图：

结构分析

1）第一段，进行了章节概述：给出了章节结构。

2）第二段，介绍实验所使用的数据集包括：空间分辨率、获取来源、图片个数、优缺点、划分规则等。

3）第三段，介绍所使用的评价指标，列举对应公式。

4）第四段，列举实验细节：所使用的编程语言、学习率、优化器、训练轮次、批量大小、输入分辨率等。

5）第五段，进行了消融实验的小节概述：给出了消融实验的目的和训练集、测试集的划分规则。

6）第六段，阐述了BBEM模块的消融实验：结合表1，说明去除BBEM模块后各项指标的下降率，证明BBEM模块的有效性。

7）第七段，给出了CFIS模块的消融实验：CFIS模块的消融实验分为三部分，首先，结合表1说明去除CFIS模块、去除ACFIM模块、去除GFIM模块后各项指标的下降率，并给出了去除模块后的替代方法，随后，总结结论，证明CFIS模块的有效性。

8）第八段，消融实验结论：结合图6，总结并得出BBEM和CFIS在模型中所扮演的角色，进一步得出所提出的BBEM和CFIS有助于获得良好的分割性能。

9）第九段，对比实验的小节概括：首先，对先进网络分为通用类和专用类，并分类别介绍，随后概述实验细节。

10）第十段，定性比较：首先，给出定性比较的概念，指制造人为干扰或遮掩，比较不同网络的预测效果。随后，结合图7，比较说明BCNet在不同程度的背景干扰下的有效性和稳定性，最后，得出结论。

11）第十一段，定量比较：首先，说明对比方法在数据集上训练到的指标数值。随后，说明BCNet的训练结果，得出BCNet在性能上做到了提高。最后，列举性能提高的原因。

12）第十二段，总结：结合表3，列举各种性能指标排名，说明BCNet在其他两个数据集上依然具有优越性。

五、Conclusion And Future Work—结束语和展望

结构分析

首段，首先，说明研究目的，为了获得更好的息肉感知，提出了BCNet。随后，阐述研究内容（各模块作用）。然后，给出性能效果（在数据集上的各项性能指标），最后，在尾段，给出了研究意义。