【CV】说一下U-Net，为什么U-Net在医学图像上表现优越

一、前言

截止到2020.12.10.17:01：56 从谷歌学术上查询到U-Net被引用次数为20619


2015年发表U-Net的MICCAI，是目前医学图像分析领域最顶级的国际会议。该论文第一单位是德国的费莱堡大学。

二、U-Net结构

看到这个结构的第一眼，感觉很优美，不过也很复杂，里面有很多细节问题需要深入了解，

实际上，把U-Net进行简化，可以用下图表示：

从上图中可以看到，简化之后的U-Net的关键点有三条线：

1. 下采样编码
2. 上采样解码
3. 跳跃连接

下采样进行信息浓缩和上采样进行像素恢复，这是其他分割网络都会有的部分，U-Net自然也不会跳出这个框架，可以看到，U-Net进行了4次的最大池化下采样，每一次采样后都使用了卷积进行信息提取得到特征图，然后再经过4次上采样恢复输入像素尺寸。

但是，U-Net最关键的、也是最特色的部分在于图中红色虚线的Skip Connection。每一次下采样都会有一个跳跃连接与对应的上采样进行级联，这种不同尺度的特征融合对上采样恢复像素大有帮助，具体来说就是高层(浅层)下采样倍数小，特征图具备更加细致的图特征，底层(深层)下采样倍数大，信息经过大量浓缩，空间损失大，但有助于目标区域(分类)判断，当high level和low level的特征进行融合时，分割效果往往会非常好。

总的来说U-Net在医学图像上效果优越，是由U-Net网络结构和医学图像本身特征所决定的。

1. U-Net的带有跳跃连接的编解码结构能够融合不同层级的特征，
2. 医学图像本身的固定化结构和小样本性，共同使得U-Net成为医学图像分割领域的最佳模型。

今天就说这么多，拜拜啦。感谢您的关注！

参考

https://mp.weixin.qq.com/s/WQxF97j4KBNYeG2wudZ8_w 【深度学习100问-16：为什么U-Net在医学图像上表现优越？】

https://www.zhihu.com/question/269914775?sort=created