1、周東浩生物圖像分割的卷積網絡生物圖像分割的卷積網絡U-Net: Convolutional Networks for Biomedical Image Segmentation Olaf Ronneberger, Philipp Fischer, and Thomas BroxComputer Science Department and BIOSS Centre for Biological Signalling Studies,University of Freiburg, Germany浩 論文的優勢論文的優勢深度網絡的勝利訓練需求大量的樣本深度網絡的勝利訓練需求大量的樣本本論文中運用數

2、據增長戰略來提高數據的利用率本論文中運用數據增長戰略來提高數據的利用率包含一個收縮途徑來捕捉內容包含一個收縮途徑來捕捉內容包含一個擴張途徑來實現精準定位包含一個擴張途徑來實現精準定位兩個途徑是對稱的，構成一個兩個途徑是對稱的，構成一個u形，我們稱這種方法是形，我們稱這種方法是u-net優點：運用的樣本少，速度快，效果更好優點：運用的樣本少，速度快，效果更好對比滑窗卷積網絡對比滑窗卷積網絡滑窗法的原理：滑窗法是將一個像素的部分區域作為滑窗法的原理：滑窗法是將一個像素的部分區域作為 輸入來預測像素的類標簽輸入來預測像素的類標簽優點：可以定位優點：可以定位 部分區域法輸入的訓練數據比訓練圖像數目部分

3、區域法輸入的訓練數據比訓練圖像數目 大得多大得多缺陷：很慢，由于網絡要為每個塊運轉，重疊的塊缺陷：很慢，由于網絡要為每個塊運轉，重疊的塊 導致冗余信息很多導致冗余信息很多 定位和獲得圖像信息不能兼得定位和獲得圖像信息不能兼得 u-net u-net 我們提出的方法是一個我們提出的方法是一個u網絡，我們加了一個延續層網絡，我們加了一個延續層的收縮網絡，池化操作被上采樣操作替代了，這些層的收縮網絡，池化操作被上采樣操作替代了，這些層添加了輸出的分辨率，為了定位，來自收縮途徑的高添加了輸出的分辨率，為了定位，來自收縮途徑的高分辨率特征與上采樣輸出相結合，延續的卷積層會基分辨率特征與上采樣輸出相結合，

4、延續的卷積層會基于這些信息學習聚集更精準的輸出于這些信息學習聚集更精準的輸出我們一個重要的修正就是上采樣部分我們也有大量的我們一個重要的修正就是上采樣部分我們也有大量的特征通道，可以使我們的網絡將內容信息傳播到更高特征通道，可以使我們的網絡將內容信息傳播到更高分辨率層中去，這個網絡沒有運用任何完全的鏈接層，分辨率層中去，這個網絡沒有運用任何完全的鏈接層，并且僅僅運用了卷積的有效的部分。例如，分割譜僅并且僅僅運用了卷積的有效的部分。例如，分割譜僅僅運用了像素，其完好內容可以在輸入圖像中獲得。僅運用了像素，其完好內容可以在輸入圖像中獲得。 我們經過重疊的戰略使恣意圖像實現無縫分割，為了我們經過重疊

5、的戰略使恣意圖像實現無縫分割，為了預測在邊境區域像素值，缺失的部分可以經過映射輸預測在邊境區域像素值，缺失的部分可以經過映射輸入圖像進展推測。入圖像進展推測。 訓練訓練 輸入圖像和對應的分割圖譜用來訓練網絡，這個網絡輸入圖像和對應的分割圖譜用來訓練網絡，這個網絡運用的是運用的是Caffe的【隨機梯度下降法】，由于的【隨機梯度下降法】，由于unpadded的卷積，按照邊境寬度輸出比輸入小很多的卷積，按照邊境寬度輸出比輸入小很多能量函數能量函數能量函數經過每個像素的能量函數經過每個像素的soft-max進展計算，進展計算，soft-max被定義為：被定義為： 表示是在像素位置表示是在像素位置x處的

6、特征通道處的特征通道k的的activation，K表示的是類別的數量，表示的是類別的數量，p_k(x)是近似的最大函數，例是近似的最大函數，例如，如，p_k(x)約為約為1是對于有著最大激活量是對于有著最大激活量a_k(x)來說的，來說的，p_k(x)約為約為0是對其他的是對其他的k能量函數能量函數 能量函數能量函數El表示的是每個像素的標簽，表示的是每個像素的標簽，w：我們引入：我們引入w是為了在是為了在訓練中凸顯某些像素的重要性。我們為每一個背景訓練中凸顯某些像素的重要性。我們為每一個背景分割計算權重圖來補償在訓練數據集中來自某一確分割計算權重圖來補償在訓練數據集中來自某一確定類別的像素的

7、不同頻率，并且使這個網絡學習小定類別的像素的不同頻率，并且使這個網絡學習小的分割邊境，我們將這個引入到兩個接觸細胞之間。的分割邊境，我們將這個引入到兩個接觸細胞之間。如圖：如圖： 分割邊境是經過形狀學操作進展計算的，權重譜計算分割邊境是經過形狀學操作進展計算的，權重譜計算公式：公式：Wc(x)是平衡類頻率的權重譜，是平衡類頻率的權重譜，d1表示的是到最近的表示的是到最近的細胞邊境的間隔，細胞邊境的間隔，d2是到第二近的細胞邊境的間隔，是到第二近的細胞邊境的間隔，在我們的實驗中，我們設置的是在我們的實驗中，我們設置的是w0=10和和約為約為5的像的像素點。素點。理想的初始權重應該被調整，這樣每一

8、個網絡中的特理想的初始權重應該被調整，這樣每一個網絡中的特征圖譜就有類似的單位方差。對于一個有著我們這種征圖譜就有類似的單位方差。對于一個有著我們這種構造的網絡來說，這個可以被實現經過從一個高斯分構造的網絡來說，這個可以被實現經過從一個高斯分布中獲得初始權重值，高斯分布有一個規范的偏移量布中獲得初始權重值，高斯分布有一個規范的偏移量(2/N)N表示一個神經元輸入節點的個數，例如在上一層中表示一個神經元輸入節點的個數，例如在上一層中3*3的卷積和的卷積和64個特征通道的個特征通道的N=9*64=576數據增長數據增長當只需很少數據可以獲得時，數據增長對于教會網絡當只需很少數據可以獲得時，數據增長對于教會網絡穩定性至關重要穩定性至關重要假設是顯微鏡成像，我們起初需求對變形和灰度值變假設是顯微鏡成像，我們起初需求對變形和灰度值變化的轉移和選轉不變性，特別是隨機樣本的彈性不變化的轉移和選轉不變性，特別是隨機樣本的彈性不變量對于訓練有著很少注釋樣本的分割網絡來說似乎是量對于訓練有著很少注釋樣本的分割網絡來說似乎是一個關鍵的概念。一個關鍵的概念。方法：我們經過在一個方法：我們經過在一個3*3的粗糙網格中運用一個隨機的粗糙網格中運用一個隨機位移向量產生一個平滑的變形，位移量從高斯分布中位移向量產生一個平滑的變形，位移量從高