3D UNet学习笔记

3D Unet简介

3D Unet网络的结构和2D Unet网络十分相似，只不过是把所有的2D操作全部替换成了3D操作。**除此以外的区别在于通道数翻倍的时机和反卷积操作。**在2D Unet中，通道数翻倍的时机在下采样后的第一次卷积时；而在3D Unet中，通道数翻倍发生在下采样或上采样前的卷积中。对于反卷积操作，区别在于通道数是否减半，2D Unet中通道数减半，而3D Unet中通道数不变。
此外，3D Unet还使用batch normalization来加快收敛和避免网络结构的瓶颈。

两种分割方式

半自动分割

半自动分割网络允许用户输入几个注释的2维切片，来得到整个三维体的分割。
在半自动分割方法中，作者使用了联合交集法（IoU）作为精度度量，得出结论3D Unet能够从很少的带注释的切片中推广到非常精确的三维分割，而不需要太多的注释工作。
IoU定义为真阳性/（真阳性+假阴性+假阳性）。

全自动分割

已经有一个在具有代表性的训练集上(带注释的切片)进行训练得到的网络，用户可以使用这个网络在没有注释的体积卷上运行,来得到整个三维体的分割。

数据增强

3D Unet使用了旋转、缩放和灰度增强等数据增强方法，此外在训练数据和正确标注数据上运用平滑的密集变形场，即从一个标准差为4的正态分布中抽取随机向量，每个方向的间距为32个体素，然后应用b样条插值。

加权损失函数

3D Unet使用带加权交叉熵损失的softmax函数对网络输出和正确标注数据进行比较，对经常出现的背景减少权重，对标注到的图像数据部分增加权重，以平衡微管和背景体素对损失的影响。未标记的像素不参与损失计算，即权重为0。
这样可以让网络可以更多地仅仅学习标注到的像素点，从而达到普适性地特点。