《基于U-Net结构改进的医学影像分割技术综述》学习笔记

U-Net（网络结构对称，形似英文字母U）提出之初就是做医学图像分割的

后面有很多演变，比如FCN（全卷积网络，）、SegNet（旨在解决自动驾驶或者智能机器人的图像语义分割深度网络）、PSPNet（引入金字塔池化模型，是一种有效的全局上下文先验模型）、DeepLab（采用的 atrous（带孔）算法扩展感受野，获取更多的上下文信息），与FCN一样，都是encoder（负责特征提取）、decoder（解码器）的结构，结构简单并且有效。在一些类别较少的数据集上，一般使用unet来做语义分割，尤其用于二分类的结构上。

 

图 1 U-Net网络学习

损失函数表示预测和目标之间的差异,常用交叉熵、Dice loss 等。

评价参数是评价图像分割好坏的重要参数,常用 Dice 等。

评价参数

先了解机器学习中的混淆矩阵：主要是解决二分类问题。

混淆矩阵参数：

精确率表示的是预测为正的样本中有多少被预测正确.

召回率就是召回目标类别,即表示样本中的正样本有多少被预测正确.

准确率是评估获得所有成果中目标成果所占的比率.

综合评价指标（F-Measure）是综合精确率和召回率的评估指标,用于反映整体的情况.

IoU通过预测边框和真实边框的比值计算两个样本的相似度或者重叠度.

mIoU 为语义分割的标准度量

Dice计算两个样本的相似度或者重叠度

SSIM 图像质量评价结构相似性指标,是基于样本 x 和 y 之间对于亮度、对比度、结构这 3 个方面进行比较,其范围为[0,1],值越大,两图像之间的差异越小。

损失函数：

交叉熵损失函数：在 0-1 之间.对于正样本而言,输出越大,意味着损失越小;对于负样本而言,越小,则损失越小。

Focal loss就是用来处理数据集中的难分样本.Dice 系数可以用来处理数据分类不均衡的情况。对于二分类,可以只考虑待分割区域,即是Dice loss 函数。

基于 U-Net 改进的各类的图像分割方法

1、