生物圖像分割的卷積網絡

周東浩生物圖像分割的卷積網絡

U-Net:ConvolutionalNetworksforBiomedicalImageSegmentation

OlafRonneberger,PhilippFischer,andThomasBroxComputerScienceDepartmentandBIOSSCentreforBiologicalSignallingStudies,

UniversityofFreiburg,Germany浩CompanyLogo論文的優(yōu)勢深度網絡的成功訓練需要大量的樣本本論文中使用數據增長策略來提高數據的利用率包含一個收縮路徑來捕捉內容包含一個擴張路徑來實現精準定位兩個路徑是對稱的，形成一個u形，我們稱這種方法是u-net優(yōu)點：使用的樣本少，速度快，效果更好〔比照滑窗卷積網絡〕CompanyLogo滑窗法的原理：滑窗法是將一個像素的局部區(qū)域作為輸入來預測像素的類標簽優(yōu)點：①能夠定位②局部區(qū)域法輸入的訓練數據比訓練圖像數目大得多缺點：①很慢，因為網絡要為每個塊運行，重疊的塊導致冗余信息很多②定位和獲得圖像信息不能兼得

CompanyLogou-net

CompanyLogou-net我們提出的方法是一個u網絡，我們加了一個連續(xù)層的收縮網絡，池化操作被上采樣操作替代了，這些層增加了輸出的分辨率，為了定位，來自收縮路徑的高分辨率特征與上采樣輸出相結合，連續(xù)的卷積層會基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局部我們也有大量的特征通道，能夠使我們的網絡將內容信息傳播到更高分辨率層中去，這個網絡沒有使用任何完全的鏈接層，并且僅僅使用了卷積的有效的局部。例如，分割譜僅僅使用了像素，其完整內容可以在輸入圖像中獲得。CompanyLogo我們通過重疊的策略使任意圖像實現無縫分割，為了預測在邊界區(qū)域像素值，缺失的局部可以通過映射輸入圖像進行推測。CompanyLogo

CompanyLogo訓練輸入圖像和對應的分割圖譜用來訓練網絡，這個網絡使用的是Caffe的【隨機梯度下降法】，由于unpadded的卷積，按照邊界寬度輸出比輸入小很多能量函數能量函數通過每個像素的soft-max進行計算，soft-max被定義為：表示是在像素位置x處的特征通道k的activation，K表示的是類別的數量，p_k(x)是近似的最大函數，例如，p_k(x)約為1是對于有著最大激活量a_k(x)來說的，p_k(x)約為0是對其他的kCompanyLogo能量函數能量函數El表示的是每個像素的標簽，w：我們引入w是為了在訓練中凸顯某些像素的重要性。我們?yōu)槊恳粋€背景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不同頻率，并且使這個網絡學習小的分割邊界，我們將這個引入到兩個接觸細胞之間。如圖：CompanyLogo

CompanyLogo分割邊界是通過形態(tài)學操作進行計算的，權重譜計算公式：Wc(x)是平衡類頻率的權重譜，d1表示的是到最近的細胞邊界的距離，d2是到第二近的細胞邊界的距離，在我們的實驗中，我們設置的是w0=10和δ約為5的像素點。CompanyLogo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相似的單位方差。對于一個有著我們這種結構的網絡來說，這個能夠被實現通過從一個高斯分布中取得初始權重值，高斯分布有一個標準的偏移量√(2/N)N表示一個神經元輸入節(jié)點的個數，例如在上一層中3*3的卷積和64個特征通道的N=9*64=576CompanyLogo數據增長當只有很少數據能夠獲得時，數據增長對于教會網絡穩(wěn)定性至關重要如果是顯微鏡成像，我們起初需要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。方法：我們通過在一個3*3的粗糙網格中使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取樣，高斯分布有十個像素的標準差，每個像素的偏移量通過【雙三次插值計算】Co