unet知乎_对基于深度学习的医学图像分割的一些理解

定了图像语义分割这个方向大概有半年多了，具体研究课题方向是基于深度学习的医学图像分割。这里作一个简要的阶段性小结。

一、医学图像的突出特征

总体上来说，医学图像相比于自然图像（通过可见光成像）有以下四点区别：

1、医学图像的模态（格式）更加多样化，如X-ray、CT、MRI以及超声等等，当然也包括一些常见的RGB图像（如眼底视网膜图像）。不同模态图像反应的信息侧重点是不一样的。比如X-ray观察骨骼更清晰，CT可以反应组织和器官出血，MRI适合观察软组织。而且不同型号的成像设备得到的成像结果有一定差异。

2、医学图像的像素值范围与自然图像（0~255）有很大差别，如CT一般会上千。

3、噪声。由于成像设备、成像原理以及个体自身差异的影响，医学图像一般会含有很多噪声。由于噪声对于位置和空间约束是独立的，从而可以利用噪声的分布来实现降噪，但是在抑制噪声的同时也需要考虑图像细节的保留问题。

4、伪影。伪影一般是在图像配准或三维重建时产生（如CT），从原理上来，只能减少，无法消除。

举个栗子，下图为一肺部CT图像切片可视化结果，已经过预处理转化为灰度图像，组织与器官之间的分界线比较模糊。图二为不同个体的脑MRI图像，可见差异巨大，这给脑组织提取带来了很