图像分割（二）U-Net

1.1 U-Net 先验知识补充

Padding
卷积操作存在两个问题：

• 图像越来越小

• 图像边界信息丢失，即有些图像角落和边界的信息发挥作用较少
  因此需要padding

• padding的操作就是再图像块的周围加上格子，从而使得图像经过卷积过后大小不会变化，这种操作是使图像的边缘数据也能被利用到，这样才能更好地扩张整张图像的边缘特征

• padding是在卷积之前补0

• padding补0的策略是四周都补，如果padding=1，那么就在原来输入层的基础上，上下左右各补一行

• padding的用途：保持边界信息，可以对有差异的图片进行补齐，使得图像输入大小一致

卷积的三种模式

• full：从卷积核和image刚开始相交就进行卷积
• same：当卷积核的中心和image的边角重合时，开始做卷积运算，此时的filter范围比full模式小了一圈，卷积过后输出的feature map尺寸与原图像的大小一致
• valid：卷积核全部在image中间的时候，进行卷积运算，filter的移动范围更小

1.2 U-Net算法架构

详见论文呢

1.3 U-Net的输入和输出

医学图像一般相当大，但分割时候不可能将原图大小输入网络，所以必须切成一张一张的小patch，在切成小patch的时候，Unet由于网络结构原因适合有overlap（镜像翻转）的切图。

1.4 损失函数-加权损失

加权损失。d1(x)表示图中某一背景像素点到离这个点最近的细胞边界的距离，d2(x)表示离这个像素点第二近的细胞距离。即在细胞边界附近的像素点给的权重会大一些，离细胞比较远的像素点的权重会小一些。
如果同类细胞贴的比较近，可能就会增大训练的难度，减少准确率，毕竟卷积会考虑该像素点周围的一些特征，而两个相同的类的细胞贴在一起，就容易误判，所以对这种两个相同类贴在一起的细胞边界，给予较大的权重，使得训练之后分割更准确

1.5 医学分割指标

Pixel error：评估图像分割问题最简单的方法，比较预测的label和实际的label，错误的点除以总数，就是像素误差
Rand error：兰德指数是两个聚类的相似性评价方法，改造之后用来衡量分割性能，给定一张图片S，有n个像素点，同时有两个分割X和Y(实际和预测)
a: 两个分割中同属于一个聚类的像素点数量
b：两个分割中都不属于一个聚类的像素点数量
RI是用来衡量相似度的，越高越好，和误差相反，兰德误差如下：
$RE=1-RI$
$Randindex=RI=\frac{a+b}{C_n^2}$
Warping error:主要来衡量分割目标的拓扑形状效果。给定候选标注T（预测值）和参考标注L（实际值）的warping error 可以人为是L对于T最好的汉明距离