论文主体思路

论文主要贡献

  1. 以FCN全卷积神经网络(Fully Convolution Networks for Semantic Segmentation)为基础设计了Unet，包含两条串联的路径：contracting path用来提取图像特征，捕捉context信息，将图像压缩为由特征组成的feature maps；expanding path用来精准定位，precise localization，将提取的特征解码为与原始图像尺寸一样的分割后的预测图像。
  2. 与FCN不同的是，在上采样过程中保留了大量的特征通道(Feature Channels)，从而使更多的信息能流入最终复原的分割图像中。另外，为了降低在压缩路径上损失的图像信息，还将Contracting Path和Expanding Path同尺寸的Feature Map进行叠加，再继续进行卷积和上采样工作，以此整合更多信息进行图像分割。

U-Net网络结构

Overlap-Tile策略

  1. 该策略的思想是：对图像的某一块像素点（黄框内部分）进行预测时，需要该图像块周围的像素点（蓝色框内）提供上下文信息(context)，以获得更准确的预测。简单地说，就是在预处理中，对输入图像进行Padding，通过Padding扩大输入图像的尺寸，使得最后输出的结果正好是原始图像的尺寸， 同时， 输入图像块（黄框）的边界也获得了上下文信息从而提高预测的精度，本文用的是Mirror Padding。
  2. 医学图像是一般相当大，但是分割时候不可能将原图太小输入网络，所以必须切成一张一张的小Patch，在切成小Patch的时候，Unet由于网络结构的原因，因此适合用Overlap的切图 Overlap部分可以为分割区域边缘部分提供文理等信息, 并且分割结果并没有受到切成小Patch而造成分割情况不好。

附录与补遗

无

关于文献

题目及期刊

题目：U-Net: Convolutional Networks for Biomedical Image Segmentation

U-Net:生物医学图像分割的卷积网络

期刊：MICCAI

作者信息

作者：Olaf Ronneberger

发表时间

日期：2015年5月

阅读时间

日期：2024年8月17日

开源代码及其它

Github：https://github.com/bigmb/Unet-Segmentation-Pytorch-Nest-of-Unets

https://github.com/LeeJunHyun/Image_Segmentation