Unet在医学图像分割表现好原因浅析

根据UNet的结构，它能够结合底层和高层的信息。
底层(深层)信息：经过多次下采样后的低分辨率信息。能够提供分割目标在整个图像中上下文语义信息，可理解为反应目标和它的环境之间关系的特征。这个特征有助于物体的类别判断（所以分类问题通常只需要低分辨率/深层信息，不涉及多尺度融合）
高层(浅层)信息：UNet共进行了4次上采样，并在同一个stage使用了skip connection，而不是直接在高级语义特征上进行监督和loss反传，这样就保证了最后恢复出来的特征图融合了更多的low-level的feature，也使得不同scale的feature得到了的融合，从而可以进行多尺度预测和DeepSupervision。经过concatenate操作从encoder直接传递到同高度decoder上的高分辨率信息。能够为分割在边缘提供更加精细的特征，如梯度等。

为什么适用于医学图像？
（1）因为医学图像边界模糊、梯度复杂，需要较多的高分辨率信息。高分辨率用于精准分割。
（2）人体内部结构相对固定，分割目标在人体图像中的分布很具有规律，语义简单明确，低分辨率信息能够提供这一信息，用于目标物体的识别。
UNet结合了低分辨率信息（提供物体类别识别依据）和高分辨率信息（提供精准分割定位依据），完美适用于医学图像分割。

作者：张良怀
链接：https://www.zhihu.com/question/269914775/answer/500019624
来源：知乎
著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。

作者：Hello王叔叔
链接：https://www.zhihu.com/question/269914775/answer/586501606
来源：知乎
著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。