3D U-Net: Learning Dense Volumetric Segmentation from Sparse Annotation

Medical Image Computing and Computer-Assisted Intervention – MICCAI 2016

https://doi.org/10.1007/978-3-319-46723-8_49

一种学习自稀疏注释的三维图像的分割方法，作者认为有两个用途

• 在半自动设置中，用户标注稀疏的点，生成稠密的三维分割
• 全自动分割新的数据集

是通过将U-net的二维算子替换为对应的三维算子得到的

1 Introduction

一个仅需要一些2D标注切片进行训练，就能产生稠密的三维分割的网络

所有的运算都是3D的，包括了3D卷积（也就是张量），3D最大池化，3D上采样卷积

避免了网络架构的瓶颈，使用batch normalization来进行更快的收敛

生物医学图像包含了重复的结构和相应的变化，这在三维图像上更加突出

2 Architecture

从结构到激活函数，几乎和U-net完全一致，就是变成了三维的

为了避免池化时奇偶不对，在池化前将通道复制了一遍

在激活函数前使用批量归一化

最后一层还是使用Softmax，损失函数也是交叉熵

将分割后的掩膜视为标签，存在两种状态，这样可以从稀疏的标记图像中学到分割的方法