评论：U-Net（生物医学图像分割）

什么是涵盖的
B.牙科X射线图像分割
A.1 U-net网络架构
- 收缩路径
- 扩张路径
A.2 重叠平铺策略
A.3数据增强的弹性变形
A.4接触目标的分离

链接
在这个U-Net评论中。 U-Net是生物医学图像分割领域着名的全卷积网络（FCN）之一，它在2015年MICCAI上发表，在我写这篇故事时引用了3000多篇。（SH Tsang @ Medium）
在生物医学图像标注领域，我们总是需要获得相关知识的专家来标注每个图像。而且他们也会花费大量时间来标注。如果标注过程变为自动，则可以实现较少的人力和较低的成本。或者它可以作为减少人为错误的辅助角色。

您可能会问：“阅读有关生物医学图像分割的内容是否过于狭窄？” 但是，我们可能会学习它的技术，并将其应用于不同的行业。比如说，在施工/制造/制造过程中的质量控制/自动检查/自动机器人，或者我们可能想到的任何其他东西。这些活动涉及定量诊断。如果我们可以自动化，则可以以更高的精度节省成本。

在本文中，他们分割/标注电子显微镜（EM）图像。他们还对网络进行了一些修改，以便在2015 ISBI中一下子对X射线图像进行分段/标注。
评论：U-Net（生物医学图像分割） - 图1

什么是涵盖的

A. EM图像分割
U-Net网络架构
重叠平铺策略
数据增强的弹性变形
触摸物体的分离
结果

B.牙科X射线图像分割
U-Net的一些修改
结果

A.1 U-net网络架构

U-net架构如上所示。它由收缩路径和扩展路径组成。

收缩路径
连续两次3×3转换和2×2最大合并完成。这有助于提取更多高级功能，但也会减少功能图的大小。

扩张路径
连续执行2×2 Up-conv和2×3×3 Conv以恢复分割图的大小。但是，上述过程虽然增加了“什么”，但减少了“哪里”。这意味着，我们可以获得高级功能，但我们也会丢失本地化信息。
因此，在每个up-conv之后，我们还具有相同级别的特征映射（灰色箭头）的串联。这有助于将收缩路径的本地化信息提供给扩展路径。
最后，1×1转换将特征映射大小从64映射到2，因为输出特征映射只有2个类，单元格和膜。

A.2 重叠平铺策略

由于使用了无填充卷积，因此输出大小小于输入大小。不是在网络之前缩小尺寸而是在网络之后进行上采样，而是使用重叠切片策略。由此，如上图所示，逐个部分地预测整个图像。使用蓝色区域预测图像中的黄色区域。在图像边界处，通过镜像外推图像。

A.3数据增强的弹性变形

由于训练集只能由专家标注，因此训练集很小。为了增加训练集的大小，通过随机变形输入图像和输出分割图来完成数据增加。

A.4接触目标的分离

由于触摸物体彼此紧密放置，它们很容易被网络合并，将它们分开，重量图被应用于网络的输出。

为了如上计算权重图，d1(x)是到位置x处最近的单元边界的距离，d2(x)是到第二个最近的单元边界的距离。因此，在边界处，重量如图中高得多。

因此，交叉熵函数在权重图处在每个位置处罚。它有助于迫使网络学习触摸细胞之间的小分离边界。

A.5. 结果

A.5.1. ISBI 2012 Challenge
变形误差：一种惩罚拓扑分歧的分段指标。
Rand Error：两个聚类或分段之间相似性的度量。
像素错误：标准像素错误。
训练时间：10小时
测试速度：每张图像约1秒
A.5.2. PhC-U373 and DIC-HeLa 数据集

B.1. U-Net的一些修改

这次，使用4×4 Up-conv，并使用1×1 Conv将特征映射从64映射到7，因为每个位置的输出有7个类。

在重叠平铺策略中，使用零填充而不是在图像边界处镜像。因为镜像对牙齿没有任何意义。

使用softmax损失的低分辨率特征图还有额外的损耗层，以指导深层直接学习分段类。
B.2. 结果

I have also reviewed CUMedVision1 and CUMedVision2. Please feel free to visit if interested.
References