2021/9/28 学习汇报总结(UNet;UNet++;CT影像)

2021/9/28 学习汇报总结

U-Net

2021/9/28 学习汇报总结(UNet;UNet++;CT影像)
github地址

  • 解决什么问题?

    • 医学图像的分割
    • 对小数据集十分友好
  • U-Net使用的方法?

    • 整体结构就是先编码(下采样), 再解码(上采样),回归到跟原始图像一样大小的像素点的分类。

    • 继承FCN的思想,继续进行改进。但是相对于FCN,有几个改变的地方,U-Net是完全对称的,且对解码器(应该自Hinton提出编码器、解码器的概念来,即将图像->高语义feature map的过程看成编码器高语义->像素级别的分类score map的过程看作解码器)进行了加卷积加深处理,FCN只是单纯的进行了上采样。

    • Skip connection:两者都用了这样的结构,虽然在现在看来这样的做法比较常见,但是对于当时,这样的结构所带来的明显好处是有目共睹的,因为可以联合高层语义和低层的细粒度表层信息,就很好的符合了分割对这两方面信息的需求。

    • 联合:在FCN中,Skip connection的联合是通过对应像素的求和,而U-Net则是对其的channel的concat过程。

效果

  • CELoss + dice_loss,使用vgg16预训练权重;训练集:验证集 = 9:1;base_lr = 1e-4,StepLR学习率衰减器;batch_size = 2; epoch = 50。

  • Boundary Loss + Dice Loss,权重衰减法,alpha from 1 => 0.01,使用vgg16预训练权重;训练集:验证集 = 9:1;base_lr = 1e-4,StepLR学习率衰减器;batch_size = 2; epoch = 50。

2021/9/28 学习汇报总结(UNet;UNet++;CT影像)
2021/9/28 学习汇报总结(UNet;UNet++;CT影像)
2021/9/28 学习汇报总结(UNet;UNet++;CT影像)

U-Net++

github地址
2021/9/28 学习汇报总结(UNet;UNet++;CT影像)

效果

2021/9/28 学习汇报总结(UNet;UNet++;CT影像)
2021/9/28 学习汇报总结(UNet;UNet++;CT影像)
2021/9/28 学习汇报总结(UNet;UNet++;CT影像)

上一篇:【报告分享】2022年货节-新春生活消费趋势报告-艾瑞咨询(附下载)


下一篇:[x64dbg] 实战01 - 参数打印/修改参数内容(条件断点、命令、脚本)