转载请注明出处:https://blog.csdn.net/wyzjack47/article/details/81118483
这篇论文题为3D U-Net: Learning Dense Volumetric Segmentation from Sparse Annotation。
论文解读
在生物医学领域,3D数据是很多的,一层一层转化为2D数据去标注训是不现实的,而且用整个3D体积的全部数据去训练既低效又极有可能过拟合。这篇文章提出的3D Unet只需要少部分2D的标注切片就可以生成密集的立体的分割。此网络主要有两个不同的作用方式,一是在一个稀疏标注的数据集上训练并在此数据集上预测其他未标注的地方,另一个方法是在多个稀疏标注的数据集训练,然后预测新的数据。
3D-Unet的结构基本上和2D一模一样(具体结构见我的上一篇博客),只是增加了一个维度。值得注意的事,这里作者还用了Batch Normalization 防止梯度爆炸,并且在BN后增加了缩放和平移:,其中两个超参是学习出来的。
本文作者用的训练数据是爪蟾肾胚,标记时0表示在管内,1