Index

• Introduction
• Analysis
• Architecture
• Data Augmentation
• Other tricks
• Results

Introduction

相对ImageNet等通用数据集，医学图像数据集较小。如何在小数据集情况下训练出一个好的模型，是深度学习在医学图像方面的一个难点。
本文介绍了U-Net，源自2015年的一篇文章<U-Net: Convolutional Networks for Biomedical Image Segmentation>。
该文章提出的U-Net在ISBI 2015 Cell Tracking Challenge取得了第一。在该任务中，训练集中只有30幅512x512果蝇第一龄幼虫腹神经（VNC）的电镜图像。
本文应用了前一章<生物医学图像语义分割(一)FCN>中的方法，提出了U-Net。为了充分利用数据，文章中还采用了Data Augmentation的方法扩充数据集。此外，文章中有许多技巧可以应用在小数据集情况中。

Analysis

Architecture

U-net

U-Net结构如上图。
U-Net运用了与FCN相同的技巧，将浅层特征图与深层特征图结合（图中copy and crop箭头），这样可以结合局部“where”以及全局“what”的特征，生成更精准的图像。U-Net并不像FCN将特征相加，而是concatenate生成双倍通道的特征图，再卷积。

Data Augmentation

由于本次任务是关于电镜图像下的语义分割，因此主要的挑战之一就是细胞或者组织的形状变化。考虑到这个因素，文章主要将训练集图像变形以产生更多训练图像，来达到扩充数据集的效果。文章将训练图片分格子，然后采用符合高斯分布的变形向量来变形。然后，使用双三次插值来填充变形造成的分辨率降低的问题。

Other tricks

• Overlap-tile strategy

Overlat-tile

由于这个算法中，图片边缘（黄色框）需要蓝色框内的图像来计算。为了达到更好的识别效果，文章还采用了Overlap-tile的技巧，将图像边缘进行一定的镜像复制生成边缘图像，这样边缘的识别效果会更好。

• Weights initialization
  权值初始化在深度学习中十分重要。随着网络变深存在梯度消失的问题，此时深层的网络参数很难得到有效训练。此时，某些卷积层可能会有特别多的激活，而另一些卷积层可能对网络没有贡献。因此，权值的初始化好坏程度会影响最终模型效果以及训练时间。理想的权值初始化是使得网络中的每一个特征图方差都接近1。
  在U-Net中，可以通过高斯分布随机生成权值，高斯分布的均方差为（2/N）^0.5，其中N为上一层的参数数量。

Results

结果