QQ Group: 428014259
Sina Weibo：小鋒子Shawn
Tencent E-mail：[email protected]
http://blog.csdn.net/dgyuanshaofeng/article/details/83904176

作者：Ozgun Cicek, Ahmed Abdulkadir, Soeren S. Lienkamp, Thomas Brox, Olaf Ronneberger
單位：略

0 摘要

在半自動情形，使用者僅標註體資料中的某些片層，3D U-Net演算法可學習這些稀疏標註，然後輸出密集分割。屬於互動分割。
在全自動情形，同上，但是屬於自動分割。
採用elastic deformations進行高效資料擴充。

1 介紹

如圖1所示，為從稀疏標註中學習，並輸出密集分割的應用。

圖 1

3D U-Net和2D U-Net類似，改動在於1、避免了bottlenecks，即 $1 \times 1$卷積(?)；2、使用batchnorm加速收斂。

1.1 相關工作

2 網路結構

如圖2所示，為3D U-Net網路結構。

圖 2

類似於2D U-Net，3D U-Net網路結構包含分析路徑和合成路徑，即編碼器和解碼器，共有4個水平或解析度。在分析路徑，每層包含2個 $3\times 3\times 3$

3 \times 3 \times 3 卷積，1個ReLU，1個步長為2的池化，顯然，最後一個水平沒有池化。在合成路徑，每層包含1個步長為2，卷積核大小為 $2 \times 2 \times 2$上卷積（反捲積、轉置卷積、分數步長卷積），2個 $3 \times 3 \times 3$卷積-ReLU組成的複合層。其中，3個水平使用了shortcut connections。最後，接輸出通道為3的 $1 \times 1 \times 1$卷積，和加權softmax損失函式。共有引數19069955。在池化前，通道數進行doubling。在每一ReLU之前，使用BN。提及使用BN和batch size為1時，不使用global statistics，而使用current statistics。在加權softmax損失函式中，設定未標註體素的權重為0。因此，這很像體素級別的self-training技術。

3 執行細節

3.1 資料

Xenopus kidney embryos資料3套。利用Slicer3D對正交的xy，xz和yz片層進行手動標註。三軸均勻才有確定片層位置。0標籤為"inside the tubule"，1標籤為"tubule"，2標籤為"background"，3標籤為"unlabeled"。每套資料僅標註了3個片層。

3.2 訓練

資料擴充採用旋轉、縮放和灰度值變換（gamma transformation?）和平滑密集deformation(B-spline interpolation)。加權方式為倒數中值頻率？標籤為3的體素，不貢獻損失。7萬次迭代，接近3天訓練時間，裝置為NVIDIA TianX。

4 實驗

4.1 半自動分割

稀疏標註的3套資料都用於網路訓練，然後對3套資料進行分割。如圖3所示，為第三套資料的分割結果。顯然，這很像體素級別的self-training，即學習標註體素，去分割未標註體素（網路前向過程），但是未標註體素的偽標籤，並未加入訓練。

[1] 3D U-Net Learning Dense Volumetric Segmentation from Sparse Annotation MICCAI 2016 [paper]