UNet、U²Net医学图像分割网络

UNet网络结构

对于医学图像的分割任务，这里使用UNet网络实现CT影响的病灶区域分割任务。记一篇学习笔记。

1、UNet网络结构

原始图片大小为(512, 512),
根据CT数据像素值分布的特征，对于image保留[-1024, 1024]范围内的像素，并归一
化处理到[0, 1]；
对于image和mask，原始数据的大小为(h, w)(512, 512)，在h, w维度
按照比例缩小为(320, 320)，并且在h,w维度上固定大小截取，截取大小设置为(256,
256)。

构建主干特征提取网络
将图片经过两次卷积核数量为64的卷积操作得到特征层大小为 ①（256， 256， 64）作为主干特征提取网络的起始特征层；
经过max pooling层得到特征层大小为（128， 128， 64）；

经过两次卷积核数量为128的卷积操作得到特征层大小为②（128， 128， 128）
经过max pooling 得到特征层大小为（64， 64， 128）；

经过三次卷积核数量为256的卷积操作得到特整层大小为③（64，64，256）
经过max pooling 得到特征层大小为（32， 32， 256）；

经过三次卷积核数量为512的卷积操作得到特整层大小为④（32，32，512）
经过max pooling 得到特征层大小为（16， 16， 512）；

经过三次卷积核数量为512的卷积操作得到特整层大小为⑤（16，16，512）

构建加强特征提取网络
⑤（16，16，512）经过一次上采样得到特征层（32，32，512），与④（32，32，512）concat得到特征层 （32，32，1024）
（32，32，1024） 经过两次卷积核数量为256的卷积操作得到特征层（32，32，256）；

（32，32，256）经过一次上采样得到特征层（64，64，256），与③（64，64，256）concat得到特征层 （64，64，256）
（64，64，256） 经过两次卷积核数量为128的卷积操作得到特征层（64，64，128）；

（64，64，128）经过一次上采样得到特征层（128，128，128），与②（128， 128， 128）concat得到特征层 （128，128，256）
（128，128，256） 经过两次卷积核数量为64的卷积操作得到特征层（128，128，64）；

（128，128，64）经过一次上采样得到特征层（256，256，64），与 ①（256， 256， 64）concat得到特征层 （256，256，128）

再经过一次1×1卷积，卷积核数量为num_cls+1

2、U²Net网络结构

原始输入图片大小为（512，512，100）
数据预处理包括：

1. 数据增强（图片旋转、scale、灰度变换、仿射变换等）
2. 图片根据CT数据像素值分布的特征，对于image保留[-1024, 1024]范围内的像素，并归一
   化处理到[0, 1]；

提取主干特征网络
将原始图片经过两次（3，3，3）卷积，卷积核数量分别为32，64，得到特征层大小为（512，512，64）；
经过ReLU激活函数，和一次（2，2，2）Max Pooling函数得到特征层大小为（256，256，64）；