U-net介绍

U-net的产生极大的促进了医学图像分割的研究。2015年Olaf Ronneberger, Philipp Fischer和Thomas Brox提出了U-net网络结构，并用于ISBI比赛中电子显微镜下细胞图像的分割，以较大的优势取得了冠军。U-net是基于全卷积网络拓展和修改而来，网络由两部分组成：一个收缩路径(contracting path)来获取上下文信息以及一个对称的扩张路径(expanding path）用以精确定位。

U-net的主要优点为：

• 支持少量的数据训练模型
• 通过对每个像素点进行分类，获得更高的分割准确率
• 用训练好的模型分割图像，速度快

接下来将详细介绍u-net：

Fig.1为Olaf Ronneberger等人构建的u-net网络结构，整个模型因呈现“U”型，固因此得名。

图中“”表示卷积层（conv 3×3, ReLu）,""表示裁剪和复制，“”表示池化层（max pool 2×2），""表示上采样（up-conv 2×2），“”表示卷积层（conv 1×1）。整个网络有19次卷积操作，4次池化操作，4次上采样操作，4次裁剪和复制操作。卷积层使用的是“valid ，padding=0， stride=1”的模式进行卷积，所以最终得到的输出图像要小于原始图像。若想得到与原图像同样尺寸的输出图像，可以在卷积操作,时使用“same”模式。

损失函数使用基于像素的交叉熵函数和softmax.

其中softmax定义为：

          

指在第个通道中位置为的值，为分类的类别数。

最终得到的算是函数定义为：

，

每个像素值的权重值，对重要的像素点给与更大的关注。

Olaf Ronneberger等需要分割如图fig.3的细胞图像，需要对两个细胞间的相邻边界给与更多的关注。

固设计出权重映射为：

其中为输入的分割图像掩码，如图fig.3.c,  d1(x)为像素x到离它最近的细胞的距离，d2(x)为像素x到离它第二近的细胞的距离。在他们的实验中，设置以及。