基于深度学习的医学图像分割笔记（五）3D U-Net

3D U-Net:Learning Dense Volumetric Segmentation from Sparse Annotation

MICCAI2016
2018MICCAI脑肿瘤分割挑战赛brats第二名
原文链接
代码pytorch版本

---

3D U-Net是UNet的一个简单扩展，将所有2D操作替换为3D操作，对于volumetric image不需要单独输入每个切片进行训练，而是将图片整张输入到模型中，3D U-Net适用于三维图像分割问题。

3D数据

在生物医学图像分析中，3D数据是非常丰富的。然而用分割标签标注这些数据会很困难，因为只有二维切片可以在计算机屏幕上显示。以slice by slice的方式对大容量的数据进行注释是非常繁琐的，它的效率很低，因为相邻的切片显示几乎相同的信息。因此完整注释的3D数据并不是创建大而丰富的数据集的有效方法。

网络结构

本文提出了一种只根据一些带标注的二维切片进行训练，学习生成密集体积分割的深度网络结构。该网络可以以两种不同的方式使用：1.致密化一个稀疏注释的数据集。2.从多个稀疏注释的数据集中学习，以推广到新数据。
该网络基于u-net架构，u-net是一个完全二维的结构，而该网络以三维体积为输入，进行相应的三维运算。
运用加权softmax损失函数，它允许我们对稀疏注释进行训练，将未标记的像素的权重设置为0，只从已标记的像素中学习。