U-Net主要是针对生物医学图片的分割,而且,在今后的许多对医学图像的分割网络中,很大一部分会采取U-Net作为网络的主干。
1. 研究问题
生物医学图像分割任务中缺少大的带标签训练数据集。
2. 研究方法
Network architecture
基于全卷积网络进行扩展,提出了U-Net,通过跳跃连接,将编码器提取的低级特征和解码器提取的高级语义特征联合,提升分割的精度。
Overlap-tile strategy
通过重叠平铺策略,增加图像边界的上下文信息,提高边界分割效果。
解释:因为采用valid卷积,所以输出尺寸比输入小,因此文章采取的策略是从输出尺寸(跟原始输入图像大小一致)反推输入尺寸,这样得到的输入尺寸比原始的输入尺寸要大。一般情况下采用0-padding填充缺失数据,但是边界的像素会缺少上下文信息,因此这里采取的策略就是mirror-padding,从而增加边界的上下文信息,提高边界的分割精度。因为采用了填充和全卷积网络,所以U-Net可以处理任意大小的图像。
Data augmentation
利用弹性变形(elastic deformations)进行数据增强,使网络学习对该变形的不变性。这里也弥补了训练数据集的不足。
Weighted loss
提出加权损失,让网络学习接触细胞间的分割边界。
3. 实验结果
4. 结论
U-Net可以使用很少的标注图像进行训练并产生更精确的分割结果,而且速度很快。