UNet

医学图像分割框架

医学图像分割主要有两种框架，一个是基于CNN的，另一个就是基于FCN的。

基于CNN 的框架

这个想法也很简单，就是对图像的每一个像素点进行分类，在每一个像素点上取一个patch，当做一幅图像，输入神经网络进行训练。

这是一个二分类问题，把图像中所有label为0的点作为负样本，所有label为1的点作为正样本

这种网络显然有两个缺点： 
1. 冗余太大，由于每个像素点都需要取一个patch，那么相邻的两个像素点的patch相似度是非常高的，这就导致了非常多的冗余，导致网络训练很慢。 
2. 分类准确度和定位精度不可兼得，当感受野选取比较大的时候，后面对应的pooling层的降维倍数就会增大，这样就会导致定位精度降低，但是如果感受野比较小，那么分类精度就会降低。

 

基于FCN框架

在医学图像处理领域，有一个应用很广泛的网络结构—-U-net

组成：收缩路径（contracting path）和扩展路径（expanding path）。

收缩路径主要是用来捕捉图片中的上下文信息（context information），而与之相对称的扩展路径则是为了对图片中所需要分割出来的部分进行精准定位（localization）。

前提：深度学习的结构需要大量的sample和计算资源。利用数据增强（data augmentation）可以对一些比较少样本的数据进行训练，特别是医学方面相关的数据。 

U-Net有一个很重要的有点是其基本可以对任意形状大小的图片进行卷积操作，特别是任意大的图片。