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

最新推荐文章于 2025-03-06 14:30:38 发布
最新推荐文章于 2025-03-06 14:30:38 发布
阅读量3.8k 收藏 13
点赞数 2
分类专栏： 医学图像分割论文解读分享 文章标签： 深度学习 计算机视觉
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_28144095/article/details/117469113
版权
3D U-Net通过3D卷积改进了传统的U-Net结构，解决了2D切片分割的冗余和效率问题。该模型利用稀疏标注的2D切片实现密集的3D分割，采用加权softmax损失函数，提高训练效率和分割效果，尤其在医学影像分割中表现优异。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

要点

1. 提出了3D U-Net：从稀疏标注的体素图像中学习的立体分割网络。
2. 有两个方案：第一是，在待分割立体图像中标注其中的一些切片，网络从这些标注中学习，再为这个空间提供密集的3D分割；第二是，假设已存在稀疏标注的数据集，直接在这个数据集上训练，然后为新的立体图像进行密集分割。

读引言

研究背景

  医学数据分析中立体数据是常见的（CT、MRI）。

为什么要研究

  以往slice-by-slice的标注方式是冗余并且低效的，因为相邻切片显示的信息几乎相同，而且逐切片学习出来的2D模型预测效果很差，没有考虑到空间上的互信息。本文提出只要求一部分2D切片生成密集的立体分割的思想，并给出了两种具体方法。

主要内容

3D U-Net改进于先前的U-Net结构，只是输入改为3D体积，并将所有操作替换为3D操作，如3D卷积、3D最大池化和3D上采样。此外，本文中尽量避免了瓶颈操作，并使用批归一化加速收敛。
为什么这里要避免瓶颈，而残差网络等要鼓励使用瓶颈？
因为ResNet的bottleneck是指使用1x1卷积，主要是为了通过降通道数量，来降卷积的参数和计算量，这中间会有信息损失，但影响不大，因为毕竟是负责残差的计算；但是在分割任务中利用池化层获取来多尺度信息，池化操作本身就会损失许多信息，所以反而要在最大池化

最低0.47元/天 解锁文章
3D U-Net：从稀疏注释中学习密集的体积分割
3D视觉工坊
02-02 1241
作者：Tom Hardy Date：2020-01-10 来源：3D U-Net：从稀疏注释中学习密集的体积分割 论文链接：https://arxiv.org/abs/1606.06650代码链接：https://github.com/zhengyang-wang/3D-Unet--Tensorflow主要思想本文介绍了一种从稀疏标注的体积图像中学习的体积分割网络。抽象。本文介绍了一种从稀疏标注的...
3D U-Net卷积神经网络
asdv78901的博客
08-04 6052
3D U-Net这篇论文的诞生主要是为了处理一些块状图（volumetric images），基本的原理跟U-Net其实并无大差，因为3D U-Net就是用3D卷积操作替换了2D的，不过在这篇博文中我会按照论文的结构大概介绍一下整体的原理及结构运用。当然在原本的论文中，论文作者为了证实框架的可执行性及实验的最终结果，是设立了两组不同的实验的，一个是半自动设置（即：人为地利用算法对3D图像...
3D U-Net: Learning Dense Volumetric Segmentation from Sparse Annotation 论文解读与程序复现
热门推荐
wyzjack47的博客
07-19 1万+
转载请注明出处：https://blog.csdn.net/wyzjack47/article/details/81118483 这篇论文题为3D U-Net: Learning Dense Volumetric Segmentation from Sparse Annotation。 论文解读 在生物医学领域，3D数据是很多的，一层一层转化为2D数据去标注训是不现实的，而且用整个3D体积的...
【论文】3D U-Net: Learning Dense Volumetric Segmentation from Sparse Annotation
qq_41536059的博客
03-03 1196
论文题目：3D U-Net: Learning Dense Volumetric Segmentation from Sparse Annotation
轻量级3D U-Net在4G显存下的极限挑战：脑肿瘤多模态MRI分割的技术实践
最新发布
weixin_74304459的博客
03-06 1203
脑肿瘤分割是医学图像处理中的核心任务，对于肿瘤的诊断、治疗规划和预后评估具有重要意义。多模态MRI（磁共振成像）通过提供丰富的解剖和功能信息，成为脑肿瘤分割的首选技术。然而，传统方法面临计算复杂度高、参数量大和训练困难等挑战。本文基于4G显存RTX3050的硬件条件，通过梯度累积、混合精度训练等技术，详细介绍如何在显存限制下构建一个超轻量级脑肿瘤分割系统。最终模型参数量压缩至1.8M，并在BraTS数据集上实现可接受的分割效果。
3D U-Net: Learning Dense Volumetric Segmentation from Sparse Annotation
间歇性学习狂躁症的博客
11-21 998
Refs: 3D U-Net: Learning Dense Volumetric Segmentation from Sparse Annotation 1.简介 目的：对稀疏标签的立体图像进行分割。 - 半自动化：标记一部分slices，网络根据稀疏的标记自动学习一个稠密分割网络。 - 全自动化：选择有代表性的稀疏标记训练集已经训练好的网络，其可以在新的未标记的3D图像上进行稠密分...
[深度学习论文笔记]3D U-Net: Learning Dense Volumetric Segmentation from Sparse Annotation 从稀疏标注学习密集体分割
Slientsake的博客
05-03 4496
3D U-Net: Learning Dense Volumetric Segmentation from Sparse Annotation 3D-U-Net：从稀疏标注学习密集体分割 Published: MICCAI 2016 论文：https://arxiv.org/abs/1606.06650 代码：https://github.com/lee-zq/3DUNet-Pytorch/ 问题动机： 在生物医学数据分析中，3D数据是非常丰富的。用分割标签注释这些数据会很困难，因为只有二维切片可以在计算机
3D U-Net: Learning Dense Volumetric Segmentation from Sparse Annotation论文翻译笔记
qq_43173239的博客
01-26 1009
文章目录前言一、论文翻译1 介绍1.1 相关工作2 网络结构3 实施细则3.1 数据3.2 训练4 实验4.1 半自动分割4.2 全自动分割5 结论二、补充资料 前言 3D U-Net论文翻译 3D-U-Net：从稀疏标注学习密集体分割 一、论文翻译 摘要：本文介绍了一种从稀疏标注的体积图像中学习的体分割网络。我们概述了这种方法的两个有吸引力的用例：（1）在半自动设置中，用户注释要分割的卷中的一些切片。该网络从这些稀疏注释中学习，并提供密集的三维分割。（2） 在全自动设置中，我们假设存在一个具有代表.
论文关键点分析：3D U-Net: Learning Dense Volumetric Segmentation from Sparse Annotation
dugudaibo的博客
02-23 3941
这种方法的两种设置，半自动与全自动 为什么要使用数据块，而不是像之前一样使用 slice 一方面是因为标注数据过于麻烦，另一方面是因为对slice 进行数据预处理较为麻烦 只是用一个maxpooling 不能够获得多分辨率的结果 为什么可以使用弹性形变进行数据增强；并且是进行实时的数据增强，也就是说理论上每一轮的数据都是不一样的 为了避免瓶颈，在上采样和下采样之前都将通道数增加为原来的二倍 在每一...
3d u-net: learning dense volumetric segmentation from sparse annotation
06-06
b'3d u-net: learning dense volumetric segmentation from sparse annotation' 是一种利用稀疏注释学习密集体积分割的方法。该方法基于 3D U-Net 架构，将稀疏标注的样本和不同分辨率的图像层级相结合，从而实现了...
Paper reading report: 3D U-Net: Learning Dense Volumetric Segmentation from Sparse Annotation
qq_42752238的博客
07-04 361
3D U-Net: Learning Dense Volumetric Segmentation from Sparse Annotation Abstract. This paper introduces a network for volumetric segmentation that learns from sparsely annotated volumetric images. We outline two attractive use cases of this method: (1) In
3D U-Net
qinxin_ni的博客
12-08 4439
论文地址：https://arxiv.org/abs/1606.06650 Q1:为什么要用3D U-Net? A1:在生物医学数据分析中，容量数据非常丰富。由于计算机屏幕上只能显示2D切片，因此用分段标签标注这些数据会造成困难。因此，以切片的方式对大量数据进行注释是非常繁琐的。它的效率也很低，因为相邻的切片显示几乎相同的信息。特别是对于基于学习的方法，需要大量的注释数据，完全注释3D体积并不是一种有效的方法来创建大量和丰富的训练数据集。 Q2:Conv3d? A2:对于Conv2...
3D unet CNN网络
06-10
3D的unet CNN网络，用于3D图像的分割。效果还是不错的
3D U-Net论文笔记
charles_zhang_的博客
04-15 4270
3D U-Net论文笔记 原文地址：Learning Dense Volumetric Segmentation from Sparse Annotation Abstract 本文介绍了一种从稀疏标注的体图像中学习的体分割网络。我们概述了这种方法的两个有吸引力的用例：（1）在半自动设置中，用户在要分割的volume(立方体)中注释一些切片。该网络从这些稀疏注释中学习，并提供密集的3D分割。（2） 在完全自动化的设置中，我们假设存在一个具有代表性的、稀疏注释的训练集。在这个数据集上训练，网络密集地分割新的
基于深度学习的医学图像分割笔记（五）3D U-Net
demons2的博客
12-06 1851
3D U-Net:Learning Dense Volumetric Segmentation from Sparse Annotation MICCAI2016 2018MICCAI脑肿瘤分割挑战赛brats第二名 论文地址 代码pytorch版本 一二 一 3D U-Net是UNet的一个简单扩展，将所有2D操作替换为3D操作，适用于三维图像分割问题 二 ...
推荐开源项目：3D U-Net卷积神经网络
gitblog_00003的博客
05-13 683
推荐开源项目：3D U-Net卷积神经网络 3DUnetCNNPytorch 3D U-Net Convolution Neural Network (CNN) designed for medical image segmentation项目地址:https://gitcode.com/gh_mirrors/3d/3DUnetCNN 在这个数字时代，深度学习在医疗成像领域的重要性日益凸显。3D...
UNet
u013049912的博客
04-01 648
TensorFlow模型实现：UNet模型 https://blog.csdn.net/guyuealian/article/details/86623864 U-net及其TensorFlow的实现 https://blog.csdn.net/qq_30239975/article/details/79454205
3D U-Net脑胶质瘤分割BraTs + Pytorch实现
程序客栈
05-09 1万+
原论文地址: 连接 一、网络模型的分析和对比 原始2D-Unet网络模型 我的2D-Unet网络模型 1、和原来的2D-Unet网络不同的是,我输入通道为4,我这里应该改为4个通道,对应四个模态图像,而输出通道为3,我对应的是三个嵌套子区...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值