空洞卷积
Parent: ai_keywords
核心定义
空洞卷积（Dilated / Atrous Convolution）是一种通过向标准卷积核的相邻像素间插入零（即“空洞”）来扩大感受野的技术，它能够在不增加参数量和计算量的前提下，使网络捕获更大范围的上下文信息。该技术由 Fisher Yu 等人于 2015 年提出，最初用于语义分割任务，现已成为多尺度特征提取与密集预测领域的核心操作。
关键技术点
-
膨胀率（Dilation Rate）
膨胀率 ( r ) 表示卷积核元素之间的间隔数。当 ( r = 1 ) 时，即为标准卷积；( r > 1 ) 时，卷积核在空间上离散采样。例如，一个 3×3 卷积核在 ( r = 2 ) 时，等效感受野扩大至 5×5，但仅有 9 个非零参数。 -
感受野线性增长
有效感受野大小 = ( (k - 1) \times r + 1 )，其中 ( k ) 为卷积核尺寸。随着膨胀率增大，感受野线性扩张，特别适合需要大范围上下文的任务。 -
多尺度特征融合（ASPP）
通过并行使用不同膨胀率（如 ( r = 1, 2, 4, 8 )）的空洞卷积，可构建空洞空间金字塔池化（ASPP），同时捕获细粒度局部细节与粗粒度全局语义，显著提升分割精度。 -
棋盘效应与设计规避
若连续使用相同膨胀率的空洞卷积，特征图中未采样点会形成周期性“网格”伪影。采用混合膨胀卷积（HDC）策略，例如交替使用 ( r = 1, 2, 3 )，可确保所有位置被均匀覆盖，消除伪影。 -
计算效率优势
与标准卷积参数量（( k^2 \times C_{in} \times C_{out} )）完全相同，但视觉野更大，因此尤其适合 高分辨率医疗图像 的实时处理。
医学/神经科学应用场景：缺血性脑卒中 MRI 病灶分割
在首都医科大学宣武医院等神经专科中心，空洞卷积被用于构建基于 U-Net 的脑卒中病灶自动分割模型。缺血性卒中在 DWI 序列上表现为高信号，但病灶大小、形态和边界极不规则。研究者将标准 U-Net 的编码器-解码器中的部分卷积替换为膨胀率分别为 2、4、8 的空洞卷积，形成 Dilated U-Net。
- 瓶颈层使用 ASPP 模块融合多尺度上下文，解决小病灶（< 1 cm³）与大面积梗死共存时的尺度矛盾。
- 跳跃连接中引入空洞卷积替代普通下采样，保留空间分辨率的同时扩大感受野，使网络能依据远隔脑区（如对侧半球）的对称性信息修正分割边界。
- 实验结果表明，Dilated U-Net 在 Dice 系数上较标准 U-Net 提升 6.2%，且对 3T 和 1.5T 设备采集的图像具有良好泛化性，可辅助临床快速计算 核心梗死体积 以指导溶栓决策。
