記事のディレクトリ
1つの概要
医用画像セグメンテーションのために、著者は画像の一部を使用することができるトレーニング構造の終わりまでデータ増強戦略と1つのU-Netネットワーク構造を提案するスライディングウィンドウ法(通常CNN)のより優れていました効果。そして、ネットワークは非常に高速で、512×512の画像分割普通のGPUの使用は1秒未満で完了することができています。
2つのハイライト
2.1拡張データ
医療分野の画像データセットは集中的な訓練のネットワーク構造から少量のデータを取得するので、どのように、比較的小さいように良い効果が話題になって。本明細書で使用されるデータは、より多くの、画像のパン、回転することによって強調された画像階調値、弾性変形データを強化する方法の乱数を調整することを意味します。
2.2 U-Netネットワーク構造
2.2.1作物
カット - 全体的な分析は、以前に行われ、最初にローカルな情報を分析します。全体的なネットワークマップから、あなたは右の画像の左に画像灰色の矢印を見ることができる568x568 392x392は、最初の行になった後、大きなから、このような灰色の矢印を介するなど、小型であり、これは切削工程である、あなたが見ることができますボックスと灰色の矢印の左側の中間画像のサイズを削減する必要があることです。実際には、マクロな視点から、元の入力画像サイズは572x572であり、最終的な出力は、388x388です。入力と出力の画像は、単純に一致していないこと。まず、図に紙を置きます:
この記事では、それらの予測が必要とされる場合、説明する黄色領域に残され、その後、入力画像の先頭が第1の青色をカウントすることによって領域に拡張する必要があり、青色領域は充填せずに、ネットワークの切断をオフセットするために使用されると言うことができます正確に黄色領域の最終的な出力を予測するためのコンボリューション。
2.2.2ステッチ機能
U-Netの構造は、FCN参照ジャンプのネットワーク構造であり、一般的な考え方は、図の特徴である。図には深いと浅い融合、ネットワーク構造は、U-Netの意志の右半分には、一般的な観点から見ることができます白と青のスプライスされた特徴マップ、略U-netからのサンプルの白い部分は、緑色の矢印を取得し、その後、取得浅い直接FCNとは異なり、スプライシングを特徴図作物の灰色の矢印を、特徴浅いと深いの直接の重ね合わせによる。
分析2.2.3 U-Netの全体構造
总框图中,最初地输入的图像为572x572,文章中采用的卷积方式是不填充的,所以每次卷积以后得到的图像会变小,得到568x568特征图,一方面进行一个池化操作,图像缩小;另一方面通过灰色箭头裁剪复制得到一个特征图。而第一步经过池化后的图像也执行同样的两个步骤:池化和裁剪复制。一直执行到图片大小变成28x28,进行上采样得到56x56特征图与上一次裁剪而得到的56x56图像进行拼接,然后进行卷积…上采样…拼接…卷积…上采样…拼接…卷积…最后经过一个1x1卷积得到388x388的图像输出。由于整个网络结构呈“U”形,所以为U-Net,而由于U形左边部分是特征图不断缩小的,文章称其为压缩路径,而右边部分的特征图不断地扩大,文章称其为扩展路径,这也算是一种编码-解码结构了。
3 效果
(a)为“PhC-U373” 数据集的输入,(b)的黄色边框为人工的分割结果,蓝色为网络分割结果;(c)为“DIC-HeLa” 数据集的输入,(d)的黄色边框为人工分割结果,彩色部分为网络分割结果。
上图为不同网络结构的IOU(交并比)的对比,可见u-net的效果表现最佳。
4 结论
本文提出的数据增强策略和U-Net网络结构确实能够使用非常少的训练样本而得到一个很好的医学上的分割效果,U-Net结构在医学图像分割领域有着重要的地位。
5 参考文献
(1)U-Net: Convolutional Networks for Biomedical Image Segmentation
(2)浅析U-Net是用来干嘛的
(3)深度学习图像分割——U-Net网络