生物图像分割的卷积网络

1、生物图像分割的卷积网络-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论文的优势深度网络的成功训练需要大量的样本本论文中使用数据增长策略来提高数据的利用率包含一个收缩路径来捕捉内容包含一个扩张路径来实现精

2、准定位两个路径是对称的，形成一个U形，我们称这种方法 是 u-net优点：使用的样本少，速度快，效果更好（对比滑窗卷积网络）Cojupany Logo霰棄勰蠶獭蠶将一个像素的局部区域作为 优点：能够定位大黑局部区域法输入的训练数据比训练图像数目 缺蠶瞬息蠶网络要为每个块运行,重叠的块定位和获得图像信息不能兼得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我们提出的方法是一个U网络，我们加了一个连续层 屠霁缩网络，池化操作被上采样操作替代了,这些层出的分辨率，为了定位，来自收缩路径的高 于这些信驛漿蠶第鬻氯出相结合,.连续的卷积层会基的高层仅O 量更接谱得 大到链割获 有播的分中 也传全，像 们息完 我信爲入 分容任。输 部内用分在 釆络有的可 上网没薯 是的络有内 就们网舉 正我个积完 修使这畫 要能去異 重，中僵 个道层仅了 一通率爲 们纂且使 我特分并仅Cojupany Logo我们通过重叠的策略使任意图像实现无缝分割，为

4、了 翹蠶麟像素值缺失的部分可以通过映射输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曹恭形应用到训练数据中来我们的方法使用了很少的训练数据，是通过数据增长H中尤为重要，真实的麦形能够被有效地積救。就我离 点的分。 难目®M一这细的 另到帥大 中达触较 务Htn- 任为在一的；了割割用得 胞的的中 细触失数 多接损函 许毂失 在的加损 ，多g 性不一记 化差了标 变级釐 了等提背 除是駕网络结构ID这个网络的结构如图一所示，它包含了一个左侧的收 罂积网络典曲的给构，它包含了两茨3*3彝的重复应 个步幅为2的2*2的最夫池化法来下釆样。在每一步下 釆样中我们都加倍了特征通道的数量。在扩张路径中 Ba蠶豔輛帥哗剪是很有必要的。在最后一层,素的缺失,IID缩路

6、径的裁剪的图谱的链接，和两次3*3的卷积，每一 次都跟随着一个reLUo由于在每一个卷积中的边界像 个們 的卷积被用来将每一个64组的特征向量映射到需要的 类的数量。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训练输入图像和对应的分割图谨用来训练网络，这个网络 使用的是Caffe的【随机梯窿下降法】,由于 unpadded的暮頼，接魚透界宽度输出比输入小很多能量函数一寵量函数通过每个像素的soft-max进行计算，soft- max被定义为： %(X)= exp(%(x)/ (刀为0是对其他的k%)表示是在像素位置x处的特征通道k的activation, K表示的是类别的数量，p k(2)是近似的最大函数，例 如，p k(x)易知是对于肴奢墨大激浩量a_k(x)来比肌 p_k(x磁1为0是对其危南k能量函数能量函数EE = &

8、#163; s(x) log(皿(x)(x)xG J2边界,I表示的是每个像素的标签，W：我们引入W是为了在 训练中凸显某些像素的重要性。我们为每一个背景分 割计算权重图来补偿在训练数据集中来目某一确定类 丹钛 義们将&术引入到两个接触细胞之间。如蔺：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.分割边界是通过形态学操作进行计算的，权重谱计算公式:w(x) = wc(x) + wq exp(di(x) +2(x)22(j2Wc(x)是平衡类频率的权重谱，d1表示的是到最近的 细胞边界的距离，d2是到第二近的细胞边界的距离， 在我们的实验中，我们设置的是wO=1O和6约为5的像 素点。理想的初始权重应该被调整, 征图谱就有相似的单检方差。 统袍里拠翁看逆-込个館蟹彳 希中取得初始叔重值，篙嶄/ V(2/N)一个过个 每一通一 样于现有 这叶实布网着络我个的的这斯移 中们高偏特种養瘵融襯翻鱷册上一层中Cojupany Logo能够获得时，数据增长对于教会网络数据增长变变是 值不乎 度阻似 灰斡说 和的来 形本络 变样网 对翦 要随分 需是的 初别本 们释 我ft,注 ，变少 像木很。在*次 窶成转着念过一布三 数重镜选壽通生分双 少关