Abstract
生物學會議ICMICCAI 2015相關的文章,主要是針對生物學影像進行分割。本論文考慮到醫學影像往往比較少,而深度學習通常需要大量的圖像。因此本文提出採用很強的數據增強提高數據的利用效率;提出U型網絡模型——近似對稱的Conv + Deconv.最終在三個生物學數據集上達到了當時最好的性能。
Movitation
當今生物影像分割的數據太少,現有的滑動窗口的做法消耗時間長,針對這個問題提出了U-Net
Framework
本文主要針對的是兩個問題進行處理
一個數據少,解決方法是使用覆蓋磚塊的策略,如下圖
和數據增強方法,數據增強使用彈性變形的方法,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,位移量從高斯分佈中取樣,高斯分佈有十個像素的標準差,每個像素的偏移通過bicubic interpolation獲得.另一個問題是相同物體的間隙不容易分割出來,採用加權的策略
Result
三個數據集上的最好的結果,分別是電子顯微鏡影像和光學顯微鏡影像
Thinking
- 本文在初始化的時候強調使用Gaussian distribution with a standard deviation of sqrt(2/N),這個地方不太理解?
- 本文的實驗比較少,沒有和其他現有的deeplearning(e.g., FCN)等進行比較
- 網絡結構上創新不大,重點是數據增強方法
Others
Official Code: http://lmb.informatik.uni-freiburg.de/people/ronneber/u-net
- 運行遇到問題導致無法運行
- 測試環境如下
- ubuntu 16.04
- matlab 2016b
- 遇到的問題如下
從問題看,像是caffe.mexa64中存在什麼問題,可惜沒有詳細的文檔,暫時無法解決這個問題.後續嘗試使用其他框架的unet來學習其思想.
- 測試環境如下