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。