【图像分割】U-net——基于FCN的强大分割网络

在网络结构方面，U-net已经在皮肤癌分割、肺结节分割等方面证明了其强大的优越性。

本文解读其论文：U-Net: Convolutional Networks for Biomedical Image Segmentation
（论文地址：http://www.arxiv.org/pdf/1505.04597.pdf）并与FCN对比。

 

核心思想

U-net基于FCN，对原有网络进行了调整、延伸，使其可以用很少的数据进行训练并且更精确分割，主要有以下几方面：

1、对比FCN，U-net的一重大调整是在上采样过程中仍然有大量的feature channels，这样使得网络可以向高分辨率层传播上下文信息。

2、采用overlap-tile策略：对图像的某一块像素点（黄框内部分）进行预测时，需要该图像块周围的像素点（蓝色框内）提供上下文信息（context），以获得更准确的预测。而对边缘缺失的部分，采用镜像补全。 

3、采用elastic deformation的数据增强方式。

4、针对细胞分割，提出一种加权损失函数，细胞接触的地方会获得相对较大的权重，以将接触的细胞分割开来。

 

网络结构

 

网络结构呈“U”型，结构中最有特色的结构就是特征的拼接部分（灰色箭头），用叠加的方式取代FCN中的求和方式，在上采样过程中传递更完整的特征信息，有效提高分割的精确度。

 

实际应用表现

以下的数据展示出U-net取得的优异成绩：

可以看出，U-net已经证明其在图像分割领域强大的潜力，待人继续发掘。