3D U-Net: Learning Dense Volumetric Segmentation from Sparse Annotation 论文解读与程序复现

最新推荐文章于 2024-08-21 13:34:19 发布
最新推荐文章于 2024-08-21 13:34:19 发布
阅读量1.5w 收藏 91
点赞数 8
分类专栏： 医学影像分割 文章标签： 医学影像分割 Unet 语义分割 人工智能 机器学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/wyzjack47/article/details/81118483
版权
本文详细解读了3D U-Net论文，该模型针对生物医学领域的3D数据，仅需少量2D标注即可实现密集的体积分割。3D U-Net结构类似2D，但增加了一个维度，并引入了Batch Normalization。实验结果显示，3D U-Net在脑肿瘤分割任务上表现出色，Dice系数表明分割精度高，同时提供了代码复现和可视化验证。
摘要由CSDN通过智能技术生成

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：x_{new}=\alpha\cdot x+\beta，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

最低0.47元/天 解锁文章
wyzjack47
关注
专栏目录
论文解读：3D U-Net: Learning Dense Volumetric Segmentation from Sparse Annotation
海不辞水故其深
06-02 3673
要点 1. 提出了3D U-Net：从稀疏标注的体素图像中学习的立体分割网络。 2. 有两个方案：第一是，在待分割立体图像中标注其中的一些切片，网络从这些标注中学习，再为这个空间提供密集的3D分割；第二是，假设已存在稀疏标注的数据集，直接在这个数据集上训练，然后为新的立体图像进行密集分割。 读引言 研究背景   医学数据分析中立体数据是常见的（CT、MRI）。 为什么要研究   以往slice-by-slice的标注方式是冗余并且低效的，因为相邻切片显示的信息几乎相同，而且逐切片学习出来的2D模型预测效
3D U-Net: Learning Dense Volumetric Segmentation from Sparse Annotation论文翻译笔记
qq_43173239的博客
01-26 905
文章目录前言一、论文翻译1 介绍1.1 相关工作2 网络结构3 实施细则3.1 数据3.2 训练4 实验4.1 半自动分割4.2 全自动分割5 结论二、补充资料 前言 3D U-Net论文翻译 3D-U-Net：从稀疏标注学习密集体分割 一、论文翻译 摘要：本文介绍了一种从稀疏标注的体积图像中学习的体分割网络。我们概述了这种方法的两个有吸引力的用例：（1）在半自动设置中，用户注释要分割的卷中的一些切片。该网络从这些稀疏注释中学习，并提供密集的三维分割。（2） 在全自动设置中，我们假设存在一个具有代表.
Lung Cancer Tumor Region Segmentation Using Recurrent 3D-DenseUNet
moshiyaofei的博客
02-14 674
理解论文  Lung Cancer Tumor Region Segmentation Using Recurrent 3D-DenseUNet 一、摘要 1.提出了一种数据驱动方法用于肺肿瘤分割通过使用Recurrent 3D-DenseUNet。 2.使用大小为  256*256*8  的image-volumes with tumors 来训练网络。 3.还使用了数据驱动的自适应加权...
U-Net 用于生物医学图像分割的卷积神经网络架构
最新发布
weixin_46831727的博客
08-21 975
U-Net是一种基于全卷积网络（Fully Convolutional Network, FCN）的图像分割架构。它的独特之处在于其“U”形结构，由对称的编码器（Encoder）和解码器（Decoder）组成。编码器负责从图像中提取多尺度特征，而解码器则将这些特征逐步恢复到原始分辨率，从而生成高精度的分割结果。U-Net凭借其独特的架构设计和灵活的损失函数选择，在图像分割任务中取得了广泛的成功。通过合理的数据准备、优化器选择和损失函数调整，U-Net能够在多种分割任务中提供出色的结果。
【论文】3D U-Net: Learning Dense Volumetric Segmentation from Sparse Annotation
qq_41536059的博客
03-03 969
论文题目：3D U-Net: Learning Dense Volumetric Segmentation from Sparse Annotation
论文关键点分析：3D U-Net: Learning Dense Volumetric Segmentation from Sparse Annotation
dugudaibo的博客
02-23 3839
这种方法的两种设置，半自动与全自动 为什么要使用数据块，而不是像之前一样使用 slice 一方面是因为标注数据过于麻烦，另一方面是因为对slice 进行数据预处理较为麻烦 只是用一个maxpooling 不能够获得多分辨率的结果 为什么可以使用弹性形变进行数据增强；并且是进行实时的数据增强，也就是说理论上每一轮的数据都是不一样的 为了避免瓶颈，在上采样和下采样之前都将通道数增加为原来的二倍 在每一...
[深度学习论文笔记]3D U-Net: Learning Dense Volumetric Segmentation from Sparse Annotation 从稀疏标注学习密集体分割
Slientsake的博客
05-03 3819
3D U-Net: Learning Dense Volumetric Segmentation from Sparse Annotation 3D-U-Net：从稀疏标注学习密集体分割 Published: MICCAI 2016 论文：https://arxiv.org/abs/1606.06650 代码：https://github.com/lee-zq/3DUNet-Pytorch/ 问题动机： 在生物医学数据分析中，3D数据是非常丰富的。用分割标签注释这些数据会很困难，因为只有二维切片可以在计算机
Paper reading report: 3D U-Net: Learning Dense Volumetric Segmentation from Sparse Annotation
qq_42752238的博客
07-04 300
3D U-Net: Learning Dense Volumetric Segmentation from Sparse Annotation Abstract. This paper introduces a network for volumetric segmentation that learns from sparsely annotated volumetric images. We outline two attractive use cases of this method: (1) In
3d u-net: learning dense volumetric segmentation from sparse annotation
06-06
b'3d u-net: learning dense volumetric segmentation from sparse annotation' 是一种利用稀疏注释学习密集体积分割的方法。该方法基于 3D U-Net 架构，将稀疏标注的样本和不同分辨率的图像层级相结合，从而实现了...
3D U-Net: Learning Dense Volumetric Segmentation from Sparse Annotation
间歇性学习狂躁症的博客
11-21 842
Refs: 3D U-Net: Learning Dense Volumetric Segmentation from Sparse Annotation 1.简介 目的：对稀疏标签的立体图像进行分割。 - 半自动化：标记一部分slices，网络根据稀疏的标记自动学习一个稠密分割网络。 - 全自动化：选择有代表性的稀疏标记训练集已经训练好的网络，其可以在新的未标记的3D图像上进行稠密分...
3D unet CNN网络
06-10
3D的unet CNN网络，用于3D图像的分割。效果还是不错的
3D U-Net论文笔记
charles_zhang_的博客
04-15 3909
3D U-Net论文笔记 原文地址：Learning Dense Volumetric Segmentation from Sparse Annotation Abstract 本文介绍了一种从稀疏标注的体图像中学习的体分割网络。我们概述了这种方法的两个有吸引力的用例：（1）在半自动设置中，用户在要分割的volume(立方体)中注释一些切片。该网络从这些稀疏注释中学习，并提供密集的3D分割。（2） 在完全自动化的设置中，我们假设存在一个具有代表性的、稀疏注释的训练集。在这个数据集上训练，网络密集地分割新的
【3D图像分割】基于 Pytorch 的 3D 图像分割3（3D UNet 模型篇）
钱多多先森
11-03 6043
3D UNet 模型的搭建，提供了思路，帮助你快速而全面的了解该模型，并通过预测试方式，了解模型情况
UNet
u013049912的博客
04-01 622
TensorFlow模型实现：UNet模型 https://blog.csdn.net/guyuealian/article/details/86623864 U-net及其TensorFlow的实现 https://blog.csdn.net/qq_30239975/article/details/79454205
深度学习（4）：“完全一致”地复现UNet模型
qq_42418728的博客
11-22 3277
本次实践的内容为，参考UNet模型结构图，完整复现模型， 1.分析模型 上图为UNet原文中的模型结构图，详细的给出了每一层的输出形状以及模型的详细模块组建方式。为了清晰明了的复现模型且便于测试每一个部分的正确性，故将模型划分为一下几个部分： 一、UNet 1.DownLayer 1.1 Double Convolution 2D (2Con) 1.2 Max Pooling (MP) ...
【论文笔记】气道树分割：A 3D UNet-Graph Neural Network for Airway Segmentation
muyijames的博客
12-22 2590
文章目录1 综述1.1 G 1 综述 肺部气道树的分割难度较大，目前 1.1 G 论文连接：https://arxiv.org/pdf/1803.08494.pdf 该方法
UNet-3D个人理解及代码实现（PyTorch）
热门推荐
张壮壮的博客
04-07 2万+
以下内容均为个人理解，如有错误，欢迎指正。 UNet-3D 论文链接：地址 网络结构 UNet-3D和UNet-2D的基本结构是差不多的，分成小模块来看，也是有连续两次卷积，下采样，上采样，特征融合以及最后一次卷积。 UNet-2D可参考：VGG16+UNet个人理解及代码实现（Pytorch） 不同的是，UNet-3D的卷积是三维的卷积。 关于2D卷积和3D卷积的区别可参见这篇文章：链接 需要注意的是，UNet-3D的连续两次卷积操作中，第一次卷积和第二次卷积的输出通道数是不同的（UNet-2D的连续两
（新SOTA）UNETR++：轻量级的、高效、准确的共享权重的3D医学图像分割
qq_45807235的博客
03-05 8252
UNETR++：轻量级的、高效、准确的共享权重的3D医学图像分割高效配对注意(EPA)块，该块使用一对基于空间和通道注意的相互依赖的分支来有效地学习空间和通道方面的判别特征
评论 35
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值