U-Net: Convolutional Networks for Biomedical Image Segmentation

最新推荐文章于 2024-06-04 13:48:09 发布

鱼吐泡泡水

最新推荐文章于 2024-06-04 13:48:09 发布

阅读量1.4k

点赞数 1

分类专栏：图像分割文章标签：深度学习计算机视觉

本文链接：https://blog.csdn.net/m0_37859875/article/details/107742003

版权

Ronneberger O, Fischer P, Brox T. U-net: Convolutional networks for biomedical image segmentation[C]//International Conference on Medical image computing and computer-assisted intervention. Springer, Cham, 2015: 234-241.

Abstract

这篇文章是生物学会议ICMICCAI2015的文章，主要针对的是生物影像进行分割。由于普遍认为深度学习需要大量的样本进行训练，而生物医学领域上的数据量比较少，所以本文提出了一种网络和训练策略，依靠数据增强等技巧有效的利用了有限的标签信息。该体系结构包括捕捉上下文的收缩路径（contracting path）和实现精确定位的对称扩展路径（symmetric expanding path）。实验表明，该网络结构可以在非常少的图像数据集上进行端到端训练。

代码复现也很多，贴几个代码链接：
Caffe：http://lmb.informatik.uni-freiburg.de/people/ronneber/u-net.
Keras：https://github.com/zhixuhao/unet
Pytorch：https://github.com/czifan/unet.pytorch

Motivation

Ciresan, D.C., Gambardella, L.M., Giusti, A., Schmidhuber, J.: Deep neural net-
works segment neuronal membranes in electron microscopy images. In: NIPS. pp.
2852{2860 (2012)
Ciresan等人使用滑动窗口，提高围绕该像素的局部区域（补丁）作为输入来预测每个像素的类别标签。在这里插入图片描述
虽然该方法可以达到很好的精度，但是存在两个缺点：

网络结构

本文提出的网络，是全卷积网络，其中主要是想是通过逐层扩充来补充通常的收缩网络（下采样），其中pooling被unsampling操作代替（称之为上采样），这些层能够增加输出的分辨率。为了精准定位每一个像素，下采样和上采样路径中相同尺度的特征进行连接，整体架构如下图：
在这里插入图片描述

Training

input/output：输入为572x572分辨率的图像，标签为388x388的分割图；
batch size：为了最小化开销并最大限度地利用GPU内存，我们倾向于使用大的输入块而不是大的批处理大小，从而将批处理减少到单个图像，即batch_size设置为1；
optimizer：SGD（随机梯度下降）优化器，其momentum（动量）设置为0.99，使得几乎所有之前训练的样本都能影响到当前训练样本的更新（我觉得就和batch size设置得比较大的效果应该是一样的）；
criterion：交叉熵损失函数，作者通过预先计算每个真实分割的权重图，来补偿训练集中不同类别的不同频率，并迫使网络学习我们的触摸单元之间引入的小分离边界。分离边界使用形态学操作来计算，计算权重图通过公式

最低0.47元/天解锁文章