生物图像分割的卷积网络PPT.pptx

生物图像分割的卷积网络U-Net: Convolutional Networks for Biomedical Image Segmentation Olaf Ronneberger, Philipp Fischer, and Thomas BroxComputer Science Department and BIOSS Centre for Biological Signalling Studies,University of Freiburg, Germany周东浩浩 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）Company Logo滑窗法的原理：滑窗法是将一个像素的局部区域作为 输入来预测像素的类标签优点：①能够定位 ②局部区域法输入的训练数据比训练图像数目 大得多缺点：①很慢，因为网络要为每个块运行，重叠的块 导致冗余信息很多 ②定位和获得图像信息不能兼得 Company Logou-net Company Logou-net 我们提出的方法是一个u网络，我们加了一个连续层的收缩网络，池化操作被上采样操作替代了，这些层增加了输出的分辨率，为了定位，来自收缩路径的高分辨率特征与上采样输出相结合，连续的卷积层会基于这些信息学习聚集更精准的输出我们一个重要的修正就是上采样部分我们也有大量的特征通道，能够使我们的网络将内容信息传播到更高分辨率层中去，这个网络没有使用任何完全的链接层，并且仅仅使用了卷积的有效的部分。例如，分割谱仅仅使用了像素，其完整内容可以在输入图像中获得。Company Logo 我们的方法使用了很少的训练数据，是通过数据增长来实现的，我们通过将弹性变形应用到训练数据中来实现的数据增长（后面介绍）。这要求我们的网络对这种变形学习它的不变形，没有必要在带注释的图像中看到这些转变。这在生物分割中尤为重要，真实的变形能够被有效地模拟。除了变化性，在许多细胞分割的任务中另一个难点就是等级差不多的相接触的分割，为了达到这个目的我们提出了一个加权损失的使用，在接触的细胞间分离的背景标记在损失函数中获得了一个较大的权重。Company Logo网络结构 这个网络的结构如图一所示，它包含了一个左侧的收缩路径和一个右侧的扩张路径，收缩路径遵循着一个卷积网络典型的结构，它包含了两次3*3卷积的重复应用，每一个都跟着一个修正的线性单元（reLU）和一个步幅为2的2*2的最大池化法来下采样。在每一步下采样中我们都加倍了特征通道的数量。在扩张路径中的每一步都包含着一个特征谱的上采样，紧接着是一个将通道数量减半的2*2的卷积，一个与相应的来自收缩路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reLU。由于在每一个卷积中的边界像素的缺失，裁剪是很有必要的。在最后一层，一个1*1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。Company Logo Company Logo训练 输入图像和对应的分割图谱用来训练网络，这个网络使用的是Caffe的【随机梯度下降法】，由于unpadded的卷积，按照边界宽度输出比输入小很多能量函数能量函数通过每个像素的soft-max进行计算，soft-max被定义为： 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(x)是近似的最大函数，例如，p_k(x)约为1是对于有着最大激活量a_k(x)来说的，p_k(x)约为0是对其他的kCompany Logo能量函数 能量函数El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自某一确定类别的像素的不同频率，并且使这个网络学习小的分割边界，我们将这个引入到两个接触细胞之间。如图：Company Logo Company Logo 分割边界是通过形态学操作进行计算的，权重谱计算公式：Wc(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w0=10和δ约为5的像素点。Company Logo理想的初始权重应该被调整，这样每一个网络中的特征图谱就有相似的单位方差。对于一个有着我们这种结构的网络来说，这个能够被实现通过从一个高斯分布中取得初始权重值，高斯分布有一个标准的偏移量√(2/N)N表示一个神经元输入节点的个数，例如在上一层中3*3的卷积和64个特征通道的N=9*64=576Company Logo数据增长当只有很少数