码迷,mamicode.com
首页 > Web开辟 > 详细

深度进修图象瓜分——U-net搜集

时间:2018-09-02 17:16:36      浏览:5256      评论:0      收藏:0      [点我收藏+]

标签:假定   比较   short   reg   整顿   医学图象   技巧   and   img   

写在前面:

一向没有整顿的习气,招致很多器械会有所遗忘,漏掉。借着这个机会,养成一个习气。

对现有器械做一个整顿、记录,对新事物去摸索、分享。

是以博客重要内容为我做过的,所学的整顿记录和新的算法、搜集框架的进修。根本上是深度进修、机械进修方面的器械。

第一篇起首是深度进修图象瓜分——U-net搜集方面的内容。后续将会尽能够体系的进修深度进修并且记录。

更新频率为每周大年夜于等于一篇。


 

 

深度进修的图象瓜分来源于分类,瓜分即为对像素所属区域的一个分类。

有别于机械进修中应用聚类停止的图象瓜分,深度进修中的图象瓜分是个有监督成绩,须要有瓜分金标准(ground truth)作为练习的标签。

在图象瓜分的过程当中,搜集的损掉函数普通应用Dice系数作为损掉函数,Dice系数简单的讲就是你的瓜分红果与瓜分金标准之间像素重合个数与总面积的比值。

【https://blog.csdn.net/liangdong2014/article/details/80573234,医学图象瓜分中经常使用的度量目标】

 

U-net参考文献:

U-net: Convolutional networks for biomedical image segmentation.

https://arxiv.org/pdf/1505.04597.pdf

技巧分享图片

                    U-net搜集构造

 

U-net搜集是一个基于CNN的图象瓜分搜集,重要用于医学图象瓜分上,搜集最后提出时是用于细胞壁的瓜分,以后在肺结节检测和眼底视网膜上的血管提取等方面都有着出色的表示。

最后的U-net搜集构造如上图所示,重要由卷积层、最大年夜池化层(下采样)、反卷积层(上采样)和ReLU非线性激活函数构成。全部搜集的过程详细以下:

最大年夜池化层,下采样过程:

假定最后输入的图象大年夜小为:572X572的灰度图,经过2次3X3x64(64个卷积核,取得64个特点图)的卷积核停止卷积操作变成568X568x64大年夜小,

然落先行2x2的最大年夜池化操作变成248x248x64。(注:3X3卷积以后跟随有ReLU非线性变换为了描述便利所以没写出来)。

按照上述过程反复停止4次,即停止 (3x3卷积+2x2池化) x 4次,在每停止一次池化以后的第一个3X3卷积操作,3X3卷积核数量成倍增长。

达到最底层时即第4次最大年夜池化以后,图象变成32x32x512大年夜小,然后再停止2次的3x3x1024的卷积操作,最后变更加28x28x1024的大年夜小。

反卷积层,上采样过程:

此时图象的大年夜小为28x28x1024,起首停止2X2的反卷积操作使得图象变更加56X56X512大年夜小,然后对对应最大年夜池化层之前的图象的复制和剪裁(copy and crop),

与反卷积取得的图象拼接起来取得56x56x1024大年夜小的图象,然后再停止3x3x512的卷积操作。

按照上述过程反复停止4次,即停止(2x2反卷积+3x3卷积)x4次,在每停止一次拼接以后的第一个3x3卷积操作,3X3卷积核数量成倍增添。

达到最下层时即第4次反卷积以后,图象变成392X392X64的大年夜小,停止复制和剪裁然后拼接取得392X392X128的大年夜小,然后再停止两次3X3X64的卷积操作。

取得388X388X64大年夜小的图象,最后再停止一次1X1X2的卷积操作。

 

然后取得的成果大年夜概是如许的(下图),须要经过过程黄色区域的瓜分红果去揣摸蓝色区域的瓜分红果,固然在实际应用中根本上都是选择保持图象大年夜小不变的停止卷积(卷积后四周用0填充)。

【关于卷积、反卷积相干的内容可以参考:https://blog.csdn.net/qq_38906523/article/details/80520950】

技巧分享图片

讲完了详细怎样做的,再来讲讲U-net的优缺点,可以看到搜集构造中没有触及就任何的全连接层,同时在上采样过程当中用到了下采样的成果,

使得在深层的卷积中可以或许有浅层的简单特点,使得卷积的输入加倍丰富,天然取得的成果也加倍可以或许反应图象的原始信息。

(CNN卷积搜集,在浅层的卷积取得的是图象的简单特点,深层的卷积取得的是反应当图象的复杂特点)

像下面说的那样,U-net搜集的构造主如果对RPN(Region Proposal Network)构造的一个生长,它在接近输入的较浅的层提取的是相对小的标准上的信息(简单特点),

接近输入的较深的层提取的是相对大年夜的标准上的信息(复杂特点),经过过程参加shortcut(直接将原始信息不停止任何操作与后续的成果归并拼接)整合多标准信息停止断定。

然则U-net搜集构造仅在单一标准长停止猜想,不克不及很好处理尺寸变更的成绩。

【天池医疗第一名部队:https://tianchi.aliyun.com/forum/new_articleDetail.html?spm=5176.8366600.0.0.6021311f0WILtQ&raceId=231601&postsId=2947】

 

是以关于该搜集的改进,就我而言,测验测验过:1、在最后一层(最后一次下采样以后,第一次上采样之前)参加一个全连接层,目标是增长一个交叉熵损掉函数,为了参加额外的信息(比如某张图是能否为某一类的器械)

2、关于每次的上采样都停止一次输入(猜想),将取得的成果停止一个融合(类似于FPN搜集(feature pyramid networks),固然这个搜集里有其他的器械)

3、参加BN(Batch Normalization)层

改进的成果天然是关于特定要处理的成绩有一些赞助。

 

最后就是照应的代码,由于U-net搜集构造较为简单,所以普通应用Keras去写的会比较多,我也是用Keras写的。后续整顿了以后将代码的链接贴上。

深度进修图象瓜分——U-net搜集

标签:假定   比较   short   reg   整顿   医学图象   技巧   and   img   

原文地址:https://www.cnblogs.com/kamekin/p/9574172.html

(1)
(4)
   
告发
评论 一句话评论(0
登录后才能评论!
© 2014 mamicode.com 版权一切 京ICP备13008772号-2
迷上了代码!