3D U-Net: Learning Dense Volumetric Segmentation from Sparse Annotation

Refs: 3D U-Net: Learning Dense Volumetric Segmentation from Sparse Annotation

1.簡介

• 目的：對稀疏標籤的立體圖像進行分割。
  - 半自動化：標記一部分slices，網絡根據稀疏的標記自動學習一個稠密分割網絡。
  - 全自動化：選擇有代表性的稀疏標記訓練集已經訓練好的網絡，其可以在新的未標記的3D圖像上進行稠密分割。
  

• 方法：本文提出的網絡將U-net架構中的2D操作全都替換成3D。此實現有效地在訓練時進行數據增強，並且是端對端無需預訓練網絡。

• 效果：在複雜、高度可變的3D結構中進行了測試，Xenopus kidney在兩種cases上取得了不錯的結果。

2.相關

• 3D醫學數據標記困難，重複性工作較多，對3D圖像每個圖像都進行標記不是個有效的方法。
• 在許多生物醫學應用中，只需要很少的圖像就可以訓練出一個能夠很好地泛化的網絡。這是因爲每個圖像已經包含了重複的結構，並具有相應的變化。3D圖像更是這樣。
• 加權損失函數和特殊的數據擴充使我們能夠只用很少的已標記的slices來訓練網絡。

3.網絡結構

• The input to the network is a 132132116 voxel tile of the image with 3
  channels. Our output in the nal layer is 444428 voxels in x, y, and z directions
  respectively. With a voxel size of 1.761.762:04um3, the approximate receptive
  eld becomes 155155180um3 for each voxel in the predicted segmentation.
  Thus, each output voxel has access to enough context to learn eciently.
• 數據：three samples of Xenopus kidney embryos
• 標籤：labels 0: inside the tubule; 1:tubule; 2: background, and 3: unlabeled.
• 輸入樣本：the data sizes used in the experiments are 24824464, 24524456 and24624459 in xyz dimensions for our sample 1, 2, and 3。
• 70000訓練迭代次數，3天

4.實驗

• The IoU is dened as true positives/(true positives + false negatives + false positives).
• 半自動化分割：通過標記一部分來分割整個圖
  - 與純2D實現進行對比
  
  • slices個數影響
    
  • 全自動分割：使用兩個部分標註的圖像訓練，分割第三個圖像。