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。