UNet医学图像分割网络
UNet网络结构
对于医学图像的分割任务,这里使用UNet网络实现CT影响的病灶区域分割任务。记一篇学习笔记。
1、UNet网络结构
原始图片大小为(512, 512),
根据CT数据像素值分布的特征,对于image保留[-1024, 1024]范围内的像素,并归一
化处理到[0, 1];
对于image和mask,原始数据的大小为(h, w)(512, 512),在h, w维度
按照比例缩小为(320, 320),并且在h,w维度上固定大小截取,截取大小设置为(256,
256)。
构建主干特征提取网络
将图片经过两次卷积核数量为64的卷积操作得到特征层大小为 ①(256, 256, 64)
作为主干特征提取网络的起始特征层;
经过max pooling层得到特征层大小为(128, 128, 64);
经过两次卷积核数量为128的卷积操作得到特征层大小为②(128, 128, 128)
经过max pooling 得到特征层大小为(64, 64, 128);
经过三次卷积核数量为256的卷积操作得到特整层大小为③(64,64,256)
经过max pooling 得到特征层大小为(32, 32, 256);
经过三次卷积核数量为512的卷积操作得到特整层大小为④(32,32,512)
经过max pooling 得到特征层大小为(16, 16, 512);
经过三次卷积核数量为512的卷积操作得到特整层大小为⑤(16,16,512)
构建加强特征提取网络
⑤(16,16,512)
经过一次上采样得到特征层(32,32,512),与④(32,32,512)
concat得到特征层 (32,32,1024)
(32,32,1024) 经过两次卷积核数量为256的卷积操作得到特征层(32,32,256);
(32,32,256)经过一次上采样得到特征层(64,64,256),与③(64,64,256)
concat得到特征层 (64,64,256)
(64,64,256) 经过两次卷积核数量为128的卷积操作得到特征层(64,64,128);
(64,64,128)经过一次上采样得到特征层(128,128,128),与②(128, 128, 128)
concat得到特征层 (128,128,256)
(128,128,256) 经过两次卷积核数量为64的卷积操作得到特征层(128,128,64);
(128,128,64)经过一次上采样得到特征层(256,256,64),与 ①(256, 256, 64)
concat得到特征层 (256,256,128)
再经过一次1×1卷积,卷积核数量为num_cls+1
本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。 如若内容造成侵权/违法违规/事实不符,请联系我的编程经验分享网邮箱:veading@qq.com进行投诉反馈,一经查实,立即删除!