文章目录
- 前言
- 个人的理解：
- 1.医学图像边界模糊、梯度复杂，需要较多的高分辨率信息，深度学习可以做到这一点，比如上采样下采样以及skip connection和concatenation
- 2.待分割的目标形态相似，有规律可循，比如形状近似圆，分布的区域都在某个范围，如图所示的心脏区域
- 3. Unet在encode部分，下采样之后的低分辨率信息，人眼无法识别，但是为分割提供 了一个整体的参考，如下图所示，是从CTA分割心脏冠状动脉的下采样的示意图，很多分类问题就是利用的这一点
- 4. Unet在decode部分，区别于图像分类最大的地方就是这里,这里通常会有很多魔改的操作，因为为了恢复原始尺寸，单独上采样是不行的，需要融合之前的信息，怎么融合法就是百家争鸣，百舸争流了，这一部分能为分割提供比较细节的信息，比如梯度，指导整个分割的进行，也是对之前下采样的特征的一个提取，至关重要，如图所示，是训练进行到某一步时的上采样的中间示意图。
前言
大量的文献和代码
大部分都是Unet形的结构
即分为编码和解码两部分，中间有skip connection
不同的网络skip connection不同
Unet 形的网络结构为什么在医学影像分割上表现不错呢？
个人的理解：
1.医学图像边界模糊、梯度复杂，需要较多的高分辨率信息，深度学习可以做到这一点，比如上采样下采样以及skip connection和concatenation
2.待分割的目标形态相似，有规律可循，比如形状近似圆，分布的区域都在某个范围，如图所示的心脏区域
3. Unet在encode部分，下采样之后的低分辨率信息，人眼无法识别，但是为分割提供 了一个整体的参考，如下图所示，是从CTA分割心脏冠状动脉的下采样的示意图，很多分类问题就是利用的这一点
4. Unet在decode部分，区别于图像分类最大的地方就是这里,这里通常会有很多魔改的操作，因为为了恢复原始尺寸，单独上采样是不行的，需要融合之前的信息，怎么融合法就是百家争鸣，百舸争流了，这一部分能为分割提供比较细节的信息，比如梯度，指导整个分割的进行，也是对之前下采样的特征的一个提取，至关重要，如图所示，是训练进行到某一步时的上采样的中间示意图。
我需要提取的是血管，没记错这个示意图是epoch为10的时候的结果，可以看到需要提取的血管已经被提取出来，虽然保留了其余的组织，但是会随着训练的加深，学习到更多的特征之后就能进行排除了。
