U-Net

時間 2021-08-14

標籤算法網絡架構機器學習 ide 學習編碼對象 blog 圖片欄目系統網絡简体版

原文原文鏈接

U − N e t U-Net U−Net

U-Net-Model（pytorch版本）

UNet是編碼器-解碼器架構，四次下采樣（maxpooling)，四次上採樣（轉置卷積），造成了U型結構算法

應對小樣本的數據集進行較快、有效地分割，可以泛化到不少應用場景中去網絡

UNet結合了低分辨率信息（提供物體類別識別依據）和高分辨率信息（提供精準分割定位依據)，較適用於醫學圖像分割。架構

《U-Net:Convolutional Networks for Biomedical Image Segmentation》
—醫學圖像分割卷積網絡
做者：Olaf Ronneberger,etc,
單位：香港大學與德國弗萊堡大學
發表會議及時間：MICCA 2015機器學習

https://arxiv.org/abs/1505.04597ide

補充：ISBI挑戰賽學習

ISBI: IEEE International Symposium on Biomedical lmaging(IEEE國際生物醫學影像研討會)
致力於涵蓋全部觀察規模的生物和生物醫學影像的數學，算法和計算方面。ISBI是IEEE信號處理協會（SPS）和IEEE醫學與生物學工程學會(EMBS）的一項聯合計劃。要求高質量的論文，包括圖像造成和重建，圖像處理和分析，動態成像，可視化，圖像質量評估，大圖像數據的機器學習以及物理，生物學和統計建模。
生物影像學已經在從診斷到個性化治療再到對生物過程的機械理解的普遍應用中不斷髮展。對更健壯的方法以及與臨牀和分子數據集成的需求不斷增加，該領域繼續受到挑戰編碼

向下:圖像尺寸下降，學習特徵圖向上:圖像尺寸上升（還原)，輸出圖像分割
全部的圖像分類、圖像分割、目標檢測等任務都包含向下的路徑
然而向上的路徑是圖像分割任務特有的對象

一論文導讀

醫學圖像分割是醫學圖像處理與分析領域的複雜而關鍵的步驟，目的是將醫學圖像中具備某些特殊含義的部分分割出來，並提取相關特徵，爲臨牀診療和病理學研究提供可靠的依據，輔助醫生做出更爲準確的診斷。當前，醫學圖像分割仍在從手動分割或半自動分割向全自動分割發展。

應用

處理對象∶各類不一樣成像機理的醫學影像，主要有X-射線成像(X-CT)、核磁共振成像(MRI)、核醫學成像(NMI)和超聲波成像(UI)、電子顯微鏡成像(EM)
應用方向:醫療教學、手術規劃、手術仿真及各類醫學研究
應用場景:病變檢測、圖像分割、圖像配準及圖像融合
應用思路∶首先對二維切片圖像進行分析和處理，實現對人體器官、軟組織和病變體的分割提取，而後進行三維重建和三維顯示，能夠輔助醫生對病變體及其它感興趣區域進行定性甚至定量的分析，從而大大提升醫療診斷的準確性和可靠性

難點

1．數據量少。一些挑戰賽只提供不到100例的數據
2．圖片尺寸大。單張圖片尺寸大、分辨率高，對模型的處理速度有必定的要求
3．要求高。醫學圖像邊界模糊、梯度複雜，對算法的分割準確度要求極高
4．多模態。以ISLES腦梗競賽爲例，其官方提供了CBF,MTT,CBV,TMAX,CTP等多種模態的數據blog

鏈接組學

鏈接組學繪製與研究神經鏈接組:一種刻畫有機體神經系統(尤爲是腦和眼）的鏈接方式的完整線路圖。鏈接組學旨在全面地映射神經系統中發現的神經元網絡的結構，以便更好地理解大腦如何工做。該過程須要以納米級分辨率（一般使用電子顯微鏡)對3D腦組織進行成像，而後分析所獲得的圖像數據追蹤大腦的神經節並識別各個突觸鏈接。
因爲成像的高分辨率，即便是1mm^3的腦組織也能夠產生超過1,000TB
的數據.再加上這些圖像中的結構可能很是微妙和複雜，構建大腦映射的主要瓶頸並非獲取數據自己，而是自動解釋這些數據。圖片

U-net的成果及意義

贏得了ISBl cell tracking challenge 2015
速度快，對一個512*512的圖像，使用一塊GPU只須要不到一秒的時間
成爲大多作醫療影像語義分割任務的baseline，也啓發了大量研究者去思考U型語義分割網絡
UNet結合了低分辨率信息（提供物體類別識別依據）和高分辨率信息（提供精準分割定位依據)，較適用於醫學圖像分割。

二論文精讀

摘要

➢主要貢獻:本文提出了一個網絡和訓練策略，使用數據加強，以便更有效的使用可用的帶標籤樣本
➢網絡結構:網絡由兩部分組成，定義一個收縮路徑來獲取全局信息，同時定義一個對稱的擴張路徑用以精肯定位
➢網絡效果:該網絡能夠用不多的圖片進行端到端訓練，處理速度也比較快
➢實驗結果:以很大的優點贏得了2015 ISBI細胞跟蹤挑戰賽