生物图像分割的卷积网络

《生物图像分割的卷积网络》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。

1、周东浩生物图像分割的卷积网络U-Net:ConvolutionalNetworksforBiomedicalImageSegmentationOlafRonneberger,PhilippFischer,andThomasBroxComputerScienceDepartmentandBIOSSCentreforBiologicalSignallingStudies,UniversityofFreiburg,Germany浩CompanyLogo论文的优势深度网络的成功训练需要大量的样本本论文中使用数据增长策略来提高数据的利用率包含一个收缩路径来捕捉内容包含一个扩张路径来实

2、现精准定位两个路径是对称的，形成一个u形，我们称这种方法是u-net优点：使用的样本少，速度快，效果更好（对比滑窗卷积网络）CompanyLogo滑窗法的原理：滑窗法是将一个像素的局部区域作为输入来预测像素的类标签优点：①能够定位②局部区域法输入的训练数据比训练图像数目大得多缺点：①很慢，因为网络要为每个块运行，重叠的块导致冗余信息很多②定位和获得图像信息不能兼得CompanyLogou-netCompanyLogou-net我们提出的方法是一个u网络，我们加了一个连续层的收缩网络，池化操作被上采样操作替代了，这些层增加了输出的分辨率，为了定位，来自收缩路径的高分辨率特征与

3、上采样输出相结合，连续的卷积层会基于这些信息学习聚集更精准的输出我们一个重要的修正就是上采样部分我们也有大量的特征通道，能够使我们的网络将内容信息传播到更高分辨率层中去，这个网络没有使用任何完全的链接层，并且仅仅使用了卷积的有效的部分。例如，分割谱仅仅使用了像素，其完整内容可以在输入图像中获得。CompanyLogo我们通过重叠的策略使任意图像实现无缝分割，为了预测在边界区域像素值，缺失的部分可以通过映射输入图像进行推测。CompanyLogoCompanyLogo训练输入图像和对应的分割图谱用来训练网络，这个网络使用的是Caffe的【随机梯度下降法】，由于unpadded

4、的卷积，按照边界宽度输出比输入小很多能量函数能量函数通过每个像素的soft-max进行计算，soft-max被定义为：表示是在像素位置x处的特征通道k的activation，K表示的是类别的数量，p_k(x)是近似的最大函数，例如，p_k(x)约为1是对于有着最大激活量a_k(x)来说的，p_k(x)约为0是对其他的kCompanyLogo能量函数能量函数El表示的是每个像素的标签，w：我们引入w是为了在训练中凸显某些像素的重要性。我们为每一个背景分割计算权重图来补偿在训练数据集中来自某一确定类别的像素的不同频率，并且使这个网络学习小的分割边界，我们将这个引入到两个接触细胞

5、之间。如图：CompanyLogoCompanyLogo分割边界是通过形态学操作进行计算的，权重谱计算公式：Wc(x)是平衡类频率的权重谱，d1表示的是到最近的细胞边界的距离，d2是到第二近的细胞边界的距离，在我们的实验中，我们设置的是w0=10和δ约为5的像素点。CompanyLogo理想的初始权重应该被调整，这样每一个网络中的特征图谱就有相似的单位方差。对于一个有着我们这种结构的网络来说，这个能够被实现通过从一个高斯分布中取得初始权重值，高斯分布有一个标准的偏移量√(2/N)N表示一个神经元输入节点的个数，例如在上一层中3*3的卷积和64个特征通道的N=9*64=576

6、CompanyLogo数据增长当只有很少数据能够获得时，数据增长对于教会网络稳定性至关重要如果是显微镜成像，我们起初需要对变形和灰度值变化的转移和选转不变性，特别是随机样本的弹性不变量对于训练有着很少注释样本的分割网络来说似乎是一个关键的概念。方法：我们通过在一个3*3的粗糙网格中使用一个随机位移向量产生一个平滑的变形，位移量从高斯分布中取样，高斯分布有十个像素的标准差，每个像素的偏移量通过【双三次插值计算】CompanyLogoCompanyLogo谢谢观赏WPSOfficeMakePresentationmuchmorefun@WPS官方微博@kingsoftwps