演算法集錦（4）|醫學圖像的細分演算法|U-Net應用

點擊上方藍色字體，關註：九三智能控

今天，我們介紹醫學圖像的細分演算法，詳見文獻「U-Net：Convolutional Networks for Biomedical Image Segmentation」。

神經網路結構

這篇文章在闡述神經網路結構上做出了傑出的工作。可以看到，該神經網路包括卷積操作、最大池化、Relu激活函數、連接層和上採樣（Up Sampling Layers）層。圖像的上採樣可以通過反卷積操作（Transpose Convolution Operation）實現，通過Tensorflow的tf.nn.conv2d _transpose函數實現。

紅框—代表U Net的左側；

藍框—代表U Net的右側；

綠框—最後的瓶頸層（Bottle neck layer）

實例操作/與原文的差異

左圖—原始圖像；

中圖—真值二值掩碼（Ground Truth Binary Mask）

右圖—原始圖像的二值掩碼取值

我們通過一個簡單實例來驗證上述神經網路模型。數據採用Kaggle挑戰賽中的Ultrasound Nerve Segmentation。為了更快的驗證模型，我們採用的演算法與原文有以下三個方面的差異。

（1）應用更小的特徵圖規模：因為硬體的限制，我們選用的特徵圖的尺度是（1,3,6,12,24和48）。

（2）應用不同的損失函數： 我們採用均方損失函數（Mean Square Loss function），代替原文的softmax with cross entropy loss function。

（3）採用不同的優化器：採用Adam優化器代替隨機梯度下降優化器。

結 果

左圖—原始圖像；

中圖—真值二值掩碼（Ground Truth Binary Mask）

右圖—原始圖像的二值掩碼取值

通過測試，我們建立的神經網路工作的非常好，準確的將關注的部分進行了細分。下面是原始的覆蓋圖像與生成的覆蓋圖紙對比。

動態圖

關注公眾號，並輸入「九三智能」，可獲得原文文獻及源代碼。

微信群&合作

• 加入微信群：不定期分享資料，拓展行業人脈請在公眾號留言：「微信號+名字+研究領域/專業/學校/公司」，我們將很快與您聯繫。
• 投稿（無稿費）、合作事宜請留言聯繫。

http://weixin.qq.com/r/AC91bd-EloLprZsO93oS (二維碼自動識別)