全卷積神經網路

醫學影象分割框架

醫學影象分割主要有兩種框架，一個是基於CNN的，另一個就是基於FCN的。

基於CNN 的框架

這個想法也很簡單，就是對影象的每一個畫素點進行分類，在每一個畫素點上取一個patch，當做一幅影象，輸入神經網路進行訓練，舉個例子：

這是一個二分類問題，把影象中所有label為0的點作為負樣本，所有label為1的點作為正樣本。

這種網路顯然有兩個缺點： 
1. 冗餘太大，由於每個畫素點都需要取一個patch，那麼相鄰的兩個畫素點的patch相似度是非常高的，這就導致了非常多的冗餘，導致網路訓練很慢。 
2. 感受野和定位精度不可兼得，當感受野選取比較大的時候，後面對應的pooling層的降維倍數就會增大，這樣就會導致定位精度降低，但是如果感受野比較小，那麼分類精度就會降低。

基於FCN框架

在醫學影象處理領域，有一個應用很廣泛的網路結構—-U-net ,網路結構如下：

可以看出來，就是一個全卷積神經網路，輸入和輸出都是影象，沒有全連線層。較淺的高解析度層用來解決畫素定位的問題，較深的層用來解決畫素分類的問題。

問題分析

資料集需要註冊下載，我的GitHub上也有下載好的資料集。

這個挑戰就是提取出細胞邊緣，屬於一個二分類問題，問題不算難，可以當做一個練手。

這裡最大的挑戰就是資料集很小，只有30張512*512的訓練影象，所以進行影象增強是非常有必要的。

實現的效果如下：

這是扭曲之前：

這是扭曲之後：

keras 實現

效果

最後在測試集上的精度可以達到95.7。

效果如下所示：