医疗影像分割

1.U-Net

看了好几个帖子这个讲的比较贴！！

介绍内容：医学影像常用图像格式：
（1）DICOM
（2）MHD/RAW
（3）NRRD

1.1 U-Net的架构

U-Net的U形结构如下图所示。网络是一个经典的全卷积网络（即网络中没有全连接操作）。属于FCN的改进型。从某种意义上来说U-Net整体的流程是编码和解码（encoder-decoder）的过程，信息的压缩就是编码，信息的提取就是解码，比如图像，文本，视频的压缩与解压。

网络的输入是一张 572x572 的边缘经过镜像操作的图片（input image tile）

网络路径分为两个部分：
(1) 压缩路径（contracting path）
网络的左侧（红色虚线）是由卷积和Max Pooling构成的一系列降采样操作，论文中将这一部分叫做压缩路径（contracting path）。
压缩路径由4个block组成，每个block使用了3个有效卷积和1个Max Pooling降采样，每次降采样之后Feature Map的个数乘2，因此有了图中所示的Feature Map尺寸变化。最终得到了尺寸为 16x16 的Feature Map。

(2) 扩展路径（expansive path）
扩展路径旨在提高输出的分辨率。对于定位，采样输出与整个模型的高分辨率特征相结合。然后，序列卷积层旨在基于该信息产生更精确的输出。

网络的右侧部分(绿色虚线)在论文中叫做扩展路径（expansive path）。同样由4个block组成，每个block开始之前通过反卷积将Feature Map的尺寸乘2，同时将其个数减半（最后一层略有不同），然后和左侧对称的压缩路径的Feature Map合并，由于左侧压缩路径和右侧扩展路径的Feature Map的尺寸不一样，U-Net是通过将压缩路径的Feature Map裁剪到和扩展路径相同尺寸的Feature Map进行归一化的（即下图中左侧虚线部分）。扩展路径的卷积操作依旧使用的是有效卷积操作，最终得到的Feature Map的尺寸是 388x388 。由于该任务是一个二分类任务，所以网络有两个输出Feature Map。

1.2 预处理（增加对比度、去噪）

在U-Net当中用的图像预处理的去噪方式是基于曲率驱动的图像去噪

在图像去噪领域，由于高斯低通滤波对图像所有高频成分不加区别地减弱，从而在去噪的同时也使边缘模糊化。

自然图像中的物体所形成的等照度线 (包括边缘)应该是足够光顺的曲线 ，即这些等照度线的曲率的绝对值应该足够小．当图像受到噪音污染后 ，图像的局部灰度值发生随机起伏导致等照度线的不规则振荡，形成局部曲率很大的等照度线，因此顺应曲率变化对图像所有高频成分加以区别地减弱，从而达到图像去噪的效果会很好。根据这一原理，可以进行图像去噪。

1.2 卷积块模型

1.3 目标函数-Dice系数

Dice距离用于度量两个集合的相似性，因为可以把字符串理解为一种集合，因此Dice距离可用于计算两个字符串的相似度和图形掩码区域的差异。
Dice系数定义如下：
Dice 系数的取值范围为0到1。在形式上，Dice 系数和Jaccard指数（A交B除以A并B）没多大区别，可以相互之间进行转换。

有关损失函数：同样的在U-NET里面用到损失函数和FCN类似都是带边界权值的损失函数，不过结合了 Dice 损失计算，即标准二进制交叉熵和 Dice 损失计算的函数：