31、U-Net：用于多疾病检测的多功能深度学习架构

U-Net：用于多疾病检测的多功能深度学习架构

1. U-Net概述及其在医学成像中的适用性

卷积神经网络（CNN）使用卷积层处理图像或视频等空间/时空数据，通过滤波器提取分层特征。这些特征被拼接后输入到下一层，以完成分类或分割等任务，分割即将图像分解为子部分并进行标记。在医学成像中，进行语义分割至关重要，它能为每个像素提供标签，实现对图像的像素级理解，这是医学成像的关键，因为它能轻松区分图像中的不同对象。

U-Net是一种用于对图像或视频帧进行有效语义分割的CNN。如图所示，该CNN呈“U”形，因此得名U-Net，它是一种全卷积神经网络。具有收缩结构的CNN与上采样层相结合，提高了分辨率，收缩路径和扩展路径形成了U形。

收缩结构（编码器）包含一系列卷积 - ReLU - 最大池化操作，减少了空间信息，同时学习上下文，编码器中的通道数量增加，使特征更加丰富。扩展路径（解码器）对空间信息进行上采样，并通过跳跃连接将其与编码器中更高分辨率的特征拼接起来。跳跃连接连接了对应的收缩路径和扩展路径层，保留了空间信息以生成精细细节。网络通过在解码器中设置多个特征通道来传播上下文信息，生成高分辨率的分割图。在解码器的每个上采样阶段，通道数量会减少。

U-Net的中间层（图中的Down conv4）被称为瓶颈层，它具有最高的通道维度，显示出最大的特征丰富度，并能捕获非常高级的信息。U-Net架构非常适合对器官的解剖结构进行分割，已成功应用于各种成像模式，如X射线、CT、MRI和超声，展示了其鲁棒性和灵活性。跳跃连接允许重建图像中的高频内容，增加了图像的丰富度，便于诊断时的图像解释。许多成像模式（如MRI）会生成3D体积，U-Net可以逐片或作为3D体积快速处理。