U-net使用, 图像分割(边缘检测)

    U-Net: Convolutional Networks for Biomedical Image Segmentation

    通过阅读这篇论文了解到在医学图像领域还是有这样一个网络存在, 它是用于获得图像的边缘. 文中说是FCN的延伸, 原谅我的孤陋寡闻,还没有阅读到FCN的原文, 唉,一个人搞这方面的太孤独了,连获得信息的途径都没有,希望广大网友指教,再次谢谢.

    U-net这篇论文的作者是参加一个ISBI的竞赛, 获得了不错的效果,然后将其的成果分享给大家,以供大家学习.http://brainiac2.mit.edu/isbi_challenge/ 这是ISBI的官网.
    1 这篇论文使用的网络结构: 

   

网络结构如图所示, 蓝色代表卷积和激活函数, 灰色代表复制, 红色代表下采样, 绿色代表上采样然后在卷积, conv 1X1代表核为1X1的卷积操作, 可以看出这个网络没有全连接,只有卷积和下采样. 这也是一个端到端的图像, 即输入是一幅图像, 输出也是一副图像. 好神奇. 

    2 ISBI 竞赛是一个关于细胞分割的竞赛, 或者说是细胞边缘检测的竞赛, 这个比赛官方只提供了30张训练图像, 30张测试图像. 数据量非常少, 怎么办? 我们可以做数据增强, 数据增强之后数据还不是很多, 没问题, Ｕ-net适用于小数据集（这个不是很准确，也没有官方的说明）．

    ３ 做这个问题的思路，　大约一个多月以前看到交大某位大神的博客（后来了解到竟然是老乡），　他的博文地址

http://blog.csdn.net/u012931582/article/details/70215756　，　我也是根据他的代码来改的，还没达到大神的能力．

    (1) 官方提供的是一个tif文件的数据，将３０张512Ｘ512的图片压缩（暂时理解为压缩吧）或者堆叠在一起，一开始我还以为就一张训练图像，一张label，　一张测试图像，还把我苦恼了一段时间（汗）．　首先要安装libtiff这个python包，目前只能在python２上安装成功，（pip install libtiff）, python3没有安装成功，又把我苦恼了一段时间．安装之后就可以将这看似一张的图像，转换为３０张512ｘ512的图像．方法大致如下：

from libtiff import *
imgstack = TIFF3D.read_image('train-volume.tif')
for i in range(imgstack.shape[0]):
    savepath = '../../deform/tarin/' + str(i) + '.tif'
    img = TIFF.open(savepath, 'w')
    img.write_image(imgstack[i])

 

同样的方法，我们也可以将label(图像)，和测试集分开来．这样训练集，测试集，label(GroundTruth), 都有了．但是数据量太少，怎么办？数据增强把，参考 http://keras-cn.readthedocs.io/en/latest/blog/image_classification_using_very_little_data/　，这是使用keras实现数据增强的例子（data augmentation）．数据增强的时候要注意，因为你的训练集中的每一个图像和label是一一对应的，所以你的每一张训练图像是怎样扭曲加噪声，label就要怎样扭曲加噪声，大神给我提供了一个思路，就是把

label当做训练图像的一个通道，这样他们就可以进行同样的数据增强了．

　　　　（２）数据增强之后就可以进行训练网络了，将训练集，label,测试集生成一个npy文件，然后送入Ｕ-net就可以了．然后对在测试集上进行测试，跑的特别慢．结果如下：

　

　代码详见：https://github.com/silencemao/detect-cell-edge-use-unet

    有问题请批评指正，谢谢．打个广告,新建的语义分割群,群号674968699, 有问题请进群讨论(不仅仅是语义分割), 可能还只有群主一个人(捂脸)