DL之U-Net：U-Net算法的簡介(論文介紹)、架構詳解、案例應用等配圖集合之詳細攻略

?

?

?

目錄

U-Net算法的簡介(論文介紹)

0、實驗結果

U-Net算法的架構詳解

U-Net算法的案例應用

---

?

?

?

?

?

相關文章
DL之U-Net：U-Net算法的簡介(論文介紹)、架構詳解、案例應用等配圖集合之詳細攻略
DL之U-Net：U-Net算法的架構詳解

U-Net算法的簡介(論文介紹)

? ? ? ? ? ? U-Net算法是一種適合醫(yī)學影像分割的網絡模型。醫(yī)學領域進行視覺分割的一大難題是數據比較少，而U-Net模型，可以相對較少的數據，準確預測腫瘤存在的位置。

Abstract
? ? ? There is large consent that successful training of deep networks ?requires many thousand annotated training samples. In this paper, ?we present a network and training strategy that relies on the strong ?use of data augmentation to use the available annotated samples more ?efficiently. The architecture consists of a contracting path to capture ?context and a symmetric expanding path that enables precise localization. ?We show that such a network can be trained end-to-end from very ?few images and outperforms the prior best method (a sliding-window ?convolutional network) on the ISBI challenge for segmentation of neuronal ?structures in electron microscopic stacks. Using the same network ?trained on transmitted light microscopy images (phase contrast ?and DIC) we won the ISBI cell tracking challenge 2015 in these categories ?by a large margin. Moreover, the network is fast. Segmentation ?of a 512x512 image takes less than a second on a recent GPU. The full ?implementation (based on Caffe) and the trained networks are available ?at http://lmb.informatik.uni-freiburg.de/people/ronneber/u-net ?.
? ? ? 人們普遍認為，深度網絡的成功訓練需要數千個帶注釋的訓練樣本。在本文中，我們提出了一種網絡和訓練策略，它依賴于對數據增強的強大使用，從而更有效地使用可用的帶注釋的樣本。該體系結構由捕獲上下文的收縮路徑和支持精確定位的對稱擴展路徑組成。我們證明了這種網絡可以從非常少的圖像端到端的訓練，并且在ISBI競賽挑戰(zhàn)中，在電子顯微鏡棧中神經元結構的分割上，它比之前的最佳方法(滑動窗口卷積網絡)表現得更好。使用相同的網絡訓練傳輸光學顯微鏡圖像(相位對比和DIC)，我們贏得了2015年ISBI細胞跟蹤挑戰(zhàn)賽在這些類別的巨大優(yōu)勢。此外，網絡是快速的。在最新的GPU上，512*512圖像的分割需要不到一秒鐘的時間。完整的實現(基于Caffe)和經過訓練的網絡可以在http://lmb.informatik.uni-freiburg.de/people/ronneber/u-net上找到。
Conclusion ?
? ? ? The u-net architecture achieves very good performance on very different biomedical ?segmentation applications. Thanks to data augmentation with elastic deformations, it only needs very few annotated images and has a very reasonable ?training time of only 10 hours on a NVidia Titan GPU (6 GB). We provide the ?full Caffe[6]-based implementation and the trained networks4 ?. We are sure that ?the u-net architecture can be applied easily to many more tasks.
? ? ? u-net體系結構在非常不同的生物醫(yī)學分割應用上取得了非常好的性能。由于數據增強與彈性變形，它只需要非常少的注釋圖像，并有一個非常合理的訓練時間只有10小時，在NVidia Titan?GPU (6GB)。我們提供完整的基于Caffe的實現和訓練有素的網絡。我們確信u-net體系結構可以很容易地應用于更多的任務。

論文
Ronneberger, Olaf, Philipp Fischer, and Thomas Brox.
U-net: Convolutional networks for biomedical image segmentation
International Conference on Medical image computing and computer-assisted intervention. 2015.
https://arxiv.org/abs/1505.04597
?

?

0、實驗結果

1、U-Net算法圖像分割的定性效果——用差示干涉對比顯微鏡在玻璃上記錄海拉細胞

HeLa cells on glass recorded with DIC (differential interference contrast) microscopy

• (a)raw image.? ?
  原始圖像。
• (b)overlay with ground truth segmentation. Different colors indicate different instances of the HeLa cells.
  人工分割圖像：不同的顏色表示hela單元的不同實例。
• (c) generated segmentation mask (white: foreground, black: background).
  生成的分割mask （白色是前景，黑色是背景）。
• (d) map with a pixel-wise loss weight to force the network to learn the border pixels.
  采用像素丟失權重進行映射，以強制網絡學習邊界像素。圖中紅色邊界，很好的將細胞分割開！

?

2、U-Net算法圖像分割的定性效果——ISBI細胞追蹤挑戰(zhàn)競賽的結果

Result on the ISBI cell tracking challenge

• (a)part of an input image of the“PhC-U373” data set.
  數據集中的圖像：“PhC-U373”數據集的輸入圖像的一部分。
• (b)Segmentation result (cyan mask) with manual ground truth (yellow border)
  黃色邊框的是人工分割框，青色mask的是U-Net分割后的結果
• (c)input image of the “DIC-HeLa” data set.
  數據集中的圖像：輸入“DIC-HeLa”數據集的圖像。
• (d)Segmentation result (random colored masks) with manual ground truth (yellow border).
  隨機彩色masks是U-Net分割后的結果，黃色邊框的是人工分割框。

3、U-Net算法圖像分割的定量效果——Segmentation results (IOU) on the ISBI cell tracking challenge 2015

U-Net算法效果非常好，遠遠超過了其他模型算法。

?

?

U-Net算法的架構詳解

更新……

?

?

?

U-Net算法的案例應用

更新……

?

?

?

總結

以上是生活随笔為你收集整理的DL之U-Net：U-Net算法的简介(论文介绍)、架构详解、案例应用等配图集合之详细攻略的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。