生物圖像分割的卷積網(wǎng)絡(luò)

1、生物圖像分割的卷積網(wǎng)絡(luò)-Net: Convolutional Networks for Biomedical Image SegmentationOlaf Ronneberger, Philipp Fischer, and Thomas BroxComputer Science Department and BIOSS Centre for Biological Signalling Studies,University of Freiburg, Germany論文的優(yōu)勢深度網(wǎng)絡(luò)的成功訓(xùn)練需要大量的樣本本論文中使用數(shù)據(jù)增長策略來提高數(shù)據(jù)的利用率包含一個(gè)收縮路徑來捕捉內(nèi)容包含一個(gè)擴(kuò)張路徑來實(shí)現(xiàn)精

2、準(zhǔn)定位兩個(gè)路徑是對稱的，形成一個(gè)U形，我們稱這種方法 是 u-net優(yōu)點(diǎn)：使用的樣本少，速度快，效果更好（對比滑窗卷積網(wǎng)絡(luò)）Cojupany Logo霰棄勰蠶獺蠶將一個(gè)像素的局部區(qū)域作為 優(yōu)點(diǎn)：能夠定位大黑局部區(qū)域法輸入的訓(xùn)練數(shù)據(jù)比訓(xùn)練圖像數(shù)目 缺蠶瞬息蠶網(wǎng)絡(luò)要為每個(gè)塊運(yùn)行,重疊的塊定位和獲得圖像信息不能兼得Company Logou-netU-Net: Convolutional Networks for Biomedical Image Segmentation 23564input image tileoutput segmentation map96I128 corn/ 3x3, Re

3、LU copy and crop f max pool 2x2 | up-conv 2x2* conv lxlunet我們提出的方法是一個(gè)U網(wǎng)絡(luò)，我們加了一個(gè)連續(xù)層 屠霽縮網(wǎng)絡(luò)，池化操作被上采樣操作替代了,這些層出的分辨率，為了定位，來自收縮路徑的高 于這些信驛漿蠶第鬻氯出相結(jié)合,.連續(xù)的卷積層會(huì)基的高層僅O 量更接譜得 大到鏈割獲 有播的分中 也傳全，像 們息完 我信爲(wèi)入 分容任。輸 部內(nèi)用分在 釆絡(luò)有的可 上網(wǎng)沒薯 是的絡(luò)有內(nèi) 就們網(wǎng)舉 正我個(gè)積完 修使這畫 要能去異 重，中僵 個(gè)道層僅了 一通率爲(wèi) 們纂且使 我特分并僅Cojupany Logo我們通過重疊的策略使任意圖像實(shí)現(xiàn)無縫分割，為

4、了 翹蠶麟像素值缺失的部分可以通過映射輸Fig. 2. Overlap-tile strategy for seamless segmentation of arbitrary large images (here segmentation of neuronal structures in EM stacks) Prediction of the segmentation in the yellow area, requires image data within the blue area as input. Missing input data is extrapolated by mi

5、rroring曹恭形應(yīng)用到訓(xùn)練數(shù)據(jù)中來我們的方法使用了很少的訓(xùn)練數(shù)據(jù)，是通過數(shù)據(jù)增長H中尤為重要，真實(shí)的麥形能夠被有效地積救。就我離 點(diǎn)的分。 難目®M一這細(xì)的 另到帥大 中達(dá)觸較 務(wù)Htn- 任為在一的；了割割用得 胞的的中 細(xì)觸失數(shù) 多接損函 許轂失 在的加損 ，多g 性不一記 化差了標(biāo) 變級釐 了等提背 除是駕網(wǎng)絡(luò)結(jié)構(gòu)ID這個(gè)網(wǎng)絡(luò)的結(jié)構(gòu)如圖一所示，它包含了一個(gè)左側(cè)的收 罌積網(wǎng)絡(luò)典曲的給構(gòu)，它包含了兩茨3*3彝的重復(fù)應(yīng) 個(gè)步幅為2的2*2的最夫池化法來下釆樣。在每一步下 釆樣中我們都加倍了特征通道的數(shù)量。在擴(kuò)張路徑中 Ba蠶豔輛帥嘩剪是很有必要的。在最后一層,素的缺失,IID縮路

6、徑的裁剪的圖譜的鏈接，和兩次3*3的卷積，每一 次都跟隨著一個(gè)reLUo由于在每一個(gè)卷積中的邊界像 個(gè)們 的卷積被用來將每一個(gè)64組的特征向量映射到需要的 類的數(shù)量。Cojupany Logo235U-Net: Convolutional Net works for Biomedical Image Segment tat ion64 64input image tile89SXSS 128 128sCM28Cf I oj 00Z066 x 06m886 x 88moutput segmentation map conv 3x3, ReLU copy and cropf max pool 2x

7、2 f up-conv 2x2 conv lxlCojupany Logo訓(xùn)練輸入圖像和對應(yīng)的分割圖謹(jǐn)用來訓(xùn)練網(wǎng)絡(luò)，這個(gè)網(wǎng)絡(luò) 使用的是Caffe的【隨機(jī)梯窿下降法】,由于 unpadded的暮頼，接魚透界寬度輸出比輸入小很多能量函數(shù)一寵量函數(shù)通過每個(gè)像素的soft-max進(jìn)行計(jì)算，soft- max被定義為： %(X)= exp(%(x)/ (刀為0是對其他的k%)表示是在像素位置x處的特征通道k的activation, K表示的是類別的數(shù)量，p k(2)是近似的最大函數(shù)，例 如，p k(x)易知是對于肴奢墨大激浩量a_k(x)來比肌 p_k(x磁1為0是對其危南k能量函數(shù)能量函數(shù)EE = &

8、#163; s(x) log(皿(x)(x)xG J2邊界,I表示的是每個(gè)像素的標(biāo)簽，W：我們引入W是為了在 訓(xùn)練中凸顯某些像素的重要性。我們?yōu)槊恳粋€(gè)背景分 割計(jì)算權(quán)重圖來補(bǔ)償在訓(xùn)練數(shù)據(jù)集中來目某一確定類 丹鈦 義們將&術(shù)引入到兩個(gè)接觸細(xì)胞之間。如藺：Cojupany LogoFig. 3一 HeLa cells on glass recorded with DIC (differential interference contrast) microscopy. (a) raw image(b) overlay with ground tnith segmentation. Diffe

9、rent colors indicate clifferentof the HeLa cells(c) gGnorated segmentation mask (white:foreground black: background), (d) map with a pixel-wise loss weight to force the network to learn the border pixels.分割邊界是通過形態(tài)學(xué)操作進(jìn)行計(jì)算的，權(quán)重譜計(jì)算公式:w(x) = wc(x) + wq exp(di(x) +2(x)22(j2Wc(x)是平衡類頻率的權(quán)重譜，d1表示的是到最近的 細(xì)胞邊界的距離，d2是到第二近的細(xì)胞邊界的距離， 在我們的實(shí)驗(yàn)中，我們設(shè)置的是wO=1O和6約為5的像 素點(diǎn)。理想的初始權(quán)重應(yīng)該被調(diào)整, 征圖譜就有相似的單檢方差。 統(tǒng)袍里拠翁看逆-込個(gè)館蟹彳 希中取得初始叔重值，篙嶄/ V(2/N)一個(gè)過個(gè) 每一通一 樣于現(xiàn)有 這葉實(shí)布網(wǎng)著絡(luò)我個(gè)的的這斯移 中們高偏特種養(yǎng)瘵融襯翻鱷冊上一層中Cojupany Logo能夠獲得時(shí)，數(shù)據(jù)增長對于教會(huì)網(wǎng)絡(luò)數(shù)據(jù)增長變變是 值不乎 度阻似 灰斡說 和的來 形本絡(luò) 變樣網(wǎng) 對翦 要隨分 需是的 初別本 們釋 我ft,注 ，變少 像木很。在*次 窶成轉(zhuǎn)著念過一布三 數(shù)重鏡選壽通生分雙 少關(guān)