综述: 3D Unet vs 2D Unet

Review综述:3D Unet vs 2D Unet

---

TL;DR 太长不读版：

2D U-Net：
数据量比较小，3维数据的z轴slice数比较少

病理在三维上是稀疏的，2D网络更好

3D U-Net:
数据量比较大，3维数据的z轴slice数比较多时

专注于细节和局部特征，用于小目标的分割(参考脑肿瘤分割的论文)

病理在2D上没有明显征象，3D有。

几种经典的卷积

卷积神经网络（CNN）已显示出实现多种计算机视觉任务的能力（例如图像分割）。分割任务主要有两种： 语义分割和实例分割。语义分割是对图像中的每个像素都划分出对应的类别，即实现像素级别的分类； 而类的具体对象，即为实例，实例分割不但要进行像素级别的分类，还需在具体的类别基础上区别开不同的实例。比如说图像有多个人甲、乙、丙，那边他们的语义分割结果都是人，而实例分割结果却是不同的对象.

在ResNet以后使用深度学习进行分类任务的性能已经超过了人类，但是目标检测任务和分割任务的准确度却一直较低，其中分割任务的准确度是最低的。因为分割任务需要对每个像素点进行精确的分类，其难度最大。