U-Net: Convolutional Networks for Biomedical Image Segmentation
来源:互联网 发布:淘宝怎么看店铺排行 编辑:程序博客网 时间:2024/06/06 04:53
- paper url
- Olaf Ronneberger, Philipp Fischer, and Thomax Brox
- 18 May 2015
卷积-降采样-去卷积-去降采样过程的作用:
在U-Net以前,图像分割主要使用的方法是Ciresan et al.提出的“对图像的每个像素做分类识别”。
这篇文章用到的CNN结构如下
这样事儿的网络结构,我也做过实验,在我的PET/CT数据集的分割结果非常差,但是论文中的分割结果不错,我估计原因是这个图像的轮廓比较清晰,分割难度小,用其他的机器学习算法应该也能轻松达到这个程度吧。
逐个像素点分类的缺点十分明显,一是慢,二是patch的尺度大小掌控不好,大了就需要很多降采样层,降低了识别精度,小了周围的信息也少。
针对第二个尺度控制问题,对应的解决方案是多尺度融合的深度网络,就是说把以某一个像素为之中的不同大小的patch作为多个通道输入到深度网络中学习,这样既考虑到了像素周围的位置信息(大尺度),也考虑了像素的细节特征(小尺度)。
其实这只能算一个小trick,并没有从本质上去解决图像分割问题。U-Net的网络原型是“Fully convolutional network”,因此讲道理开山的贡献是UC Berkeley的学者做出的,这篇论文只是一个应用而已。
和其他医学影像处理的工作一样,本文用了Data Augmentation,具体选择的手段是扭曲形变。
这种augmentation的手段在医学影像处理中十分常见,我只用过非刚性形变(平移、旋转),相信以后一定能用上这个扭曲形变。
针对分割过程中两个不同的结构“粘”在一起的情况
本文的解决方案是在Loss函数中把“粘”在一起处的背景部分的权重加大,我不懂这样为什么可以解决问题
。但是看到他们对于不同的数据集,有人为地去修改网络的一些细节,这个是比较impressive的。
在阅读各种深度学习的论文的时候,作者是怎么描述自己的网络训练过程的部分是我比较关心的,因为我的英文比较烂,网络结构需要说的内容也比较常规,就这么几点参数需要说,又不能和现有的海量的深度学习论文重复,这个真是难为死我了。。本文的这个部分写的还是比较不错的,至少既有常规的,又有一些小trick涉及,虽然这些trick在很多中文的博客里面有提到,但是论文里头很少有人把它们说出来。
这个是常规的内容:
包括了作者在训练网络时候选择的参数、激活函数(ReLU)、代价函数(交叉熵),以及选择的反向传播算法(SGD),写的不错的,该有的公式,该有的描述都比较充分,值得我学习。
这个是新发现的技巧:
以前没有见过,
应该是针对两个连在一起的不同组织的优化,把它们中间连着的部分像素的权重人为地升高,让网络可以重点地学习这部分的像素特征,以便于分割。
套用这个方法之后的结果是:边缘部分的权重变大了。
最后一段作者提到了权重初始化的一个小技巧,这个在Must Know Tips/Tricks in Deep Neural Networks文章中也有提到,我在做实验的时候还没有真正地去试过,只是知道有这么回事儿,回头去Keras看看能不能改一改这块儿的代码
。
实验部分
electron microscopic recordings
- 来源:EM segmentation challenge 2012
- 评价指标:warping error, Rand error and pixel error.
PhC-U373
- 来源:ISBI cell tracking challenge 2014 and 2015
- 评价指标:IOU (“intersection over union”)
DIC-HeLa
- 来源:ISBI cell tracking challenge 2014 and 2015
- 评价指标:IOU (“intersection over union”)
关于分割结果的评价指标,可以参考这篇论文,里面有比较全的说明:Crowdsourcing the creation of image segmentation algorithms for connectomics
总结来看这是一篇应用型的文章,利用“Fully convolutional network”的网络在三个医学影像数据库上面做了实验,效果不错。也就是说,仿照这篇文章的套路,自行去收集几个新的数据库,做实验,也是可以写论文的。当然前提是效果同样不错,从我前几天的仿造实验中发现,U-Net在处理纹路没有那么清晰的影像时效果一般,IOU在30%~40%之间,需要进一步的探索。
- U-Net: Convolutional Networks for Biomedical Image Segmentation
- U-Net: Convolutional Networks for Biomedical Image Segmentation
- 论文笔记U-Net: Convolutional Networks for Biomedical Image Segmentation
- 医学图像分割--U-Net: Convolutional Networks for Biomedical Image Segmentation
- 医学图像分割--U-Net: Convolutional Networks for Biomedical Image Segmentation
- [论文阅读笔记]U-Net: Convolutional Networks for Biomedical Image Segmentation
- 论文阅读笔记:U-Net: Convolutional Networks for Biomedical Image Segmentation
- U_Net(Convolutional Networks for Biomedical Image Segmentation)学习笔记
- Convolutional Networks for Image Semantic Segmentation
- Convolutional Networks for Image Semantic Segmentation
- U-net for image segmentation
- Fine-tuning Convolutional Neural Networks for Biomedical Image Analysis: Actively and Incrementally
- Fully Convolutional Networks for Semantic Segmentation
- Fully Convolutional Networks for Semantic Segmentation
- Fully Convolutional Networks for Semantic Segmentation
- Fully Convolutional Networks for Semantic Segmentation
- Fully Convolutional Networks for Semantic Segmentation
- Fully Convolutional Networks for Semantic Segmentation
- 没那么简单
- Activity横竖屏切换的部分方法生命周期笔记
- DataBinding的事件绑定
- Xcode7编译SDWebImage报错解决方法(SDWebImageDownloaderOperation.m错误)
- 个人学习书签记录笔记<一>
- U-Net: Convolutional Networks for Biomedical Image Segmentation
- php 面试题
- xml中的注释解注释快捷键eclipse
- 1007: 生理周期
- Docker为什么刚运行就退出了?
- iOS 将系统导航栏的一条黑线换成自定义的颜色
- NSMutableAttributedString属性设置
- 暑假结束感言
- LZH_IJKPlayer-一个最简单使用的视频播放器,集成于bilibili开源直播播放器(ijkplayer)