UNet為什么在醫(yī)學(xué)圖像分割表現(xiàn)好？

重磅干貨，第一時間送達

本文轉(zhuǎn)自：人工智能與算法學(xué)習(xí)

UNet網(wǎng)絡(luò)在被提出后，就大范圍地用于醫(yī)學(xué)圖像的分割。其能在醫(yī)學(xué)圖像展現(xiàn)優(yōu)秀的性能和它本身網(wǎng)絡(luò)結(jié)構(gòu)存在怎樣的一種聯(lián)系？

這個問題在面試醫(yī)療影像算法崗位的時候，偶爾會提到，我這里提供一些個人的思考。問題中有兩個關(guān)鍵詞，【UNet】和【醫(yī)療影像】，接下來我們一一分析這兩個關(guān)鍵詞。

首先我們說說【UNet】。

UNet最早發(fā)表在2015的MICCAI上，短短3年，引用量目前已經(jīng)達到了4070，足以見得其影響力。而后成為大多做醫(yī)療影像語義分割任務(wù)的baseline，也啟發(fā)了大量研究者去思考U型語義分割網(wǎng)絡(luò)。而如今在自然影像理解方面，也有越來越多的語義分割和目標(biāo)檢測SOTA模型開始關(guān)注和使用U型結(jié)構(gòu)，比如語義分割Discriminative Feature Network(DFN)(CVPR2018)，目標(biāo)檢測Feature Pyramid Networks for Object Detection(FPN)(CVPR 2017)等。

我們言歸正傳，UNet只是一個網(wǎng)絡(luò)結(jié)構(gòu)的代號而已，我們究其細節(jié)，到底UNet是由哪些組件構(gòu)成的呢？

UNet的結(jié)構(gòu)，我認為有兩個最大的特點，U型結(jié)構(gòu)和skip-connection（如下圖）。

UNet的encoder下采樣4次，一共下采樣16倍，對稱地，其decoder也相應(yīng)上采樣4次，將encoder得到的高級語義特征圖恢復(fù)到原圖片的分辨率。

相比于FCN和Deeplab等，UNet共進行了4次上采樣，并在同一個stage使用了skip connection，而不是直接在高級語義特征上進行監(jiān)督和loss反傳，這樣就保證了最后恢復(fù)出來的特征圖融合了更多的low-level的feature，也使得不同scale的feature得到了的融合，從而可以進行多尺度預(yù)測和DeepSupervision。4次上采樣也使得分割圖恢復(fù)邊緣等信息更加精細。

其次我們聊聊【醫(yī)療影像】，醫(yī)療影像有什么樣的特點呢（尤其是相對于自然影像而言）？

1.圖像語義較為簡單、結(jié)構(gòu)較為固定。我們做腦的，就用腦CT和腦MRI，做胸片的只用胸片CT，做眼底的只用眼底OCT，都是一個固定的器官的成像，而不是全身的。由于器官本身結(jié)構(gòu)固定和語義信息沒有特別豐富，所以高級語義信息和低級特征都顯得很重要(UNet的skip connection和U型結(jié)構(gòu)就派上了用場)。舉兩個例子直觀感受下。

A.腦出血. 在CT影像上，高密度的區(qū)域就大概率是一塊出血，如下圖紅色框區(qū)域。

B.眼底水腫。左圖原圖，右圖標(biāo)注(不同灰度值代表不同的水腫病變區(qū)域)。在OCT上，凸起或者凹陷的區(qū)域就大概率是一個水腫病變的區(qū)域。

2.數(shù)據(jù)量少。醫(yī)學(xué)影像的數(shù)據(jù)獲取相對難一些，很多比賽只提供不到100例數(shù)據(jù)。所以我們設(shè)計的模型不宜多大，參數(shù)過多，很容易導(dǎo)致過擬合。

原始UNet的參數(shù)量在28M左右(上采樣帶轉(zhuǎn)置卷積的UNet參數(shù)量在31M左右)，而如果把channel數(shù)成倍縮小，模型可以更小。縮小兩倍后，UNet參數(shù)量在7.75M。縮小四倍，可以把模型參數(shù)量縮小至2M以內(nèi)，非常輕量。個人嘗試過使用Deeplab v3+和DRN等自然圖像語義分割的SOTA網(wǎng)絡(luò)在自己的項目上，發(fā)現(xiàn)效果和UNet差不多，但是參數(shù)量會大很多。

3.多模態(tài)。相比自然影像，醫(yī)療影像比較有趣和不同的一點是，醫(yī)療影像是具有多種模態(tài)的。以ISLES腦梗競賽為例，其官方提供了CBF,MTT,CBV,TMAX,CTP等多種模態(tài)的數(shù)據(jù)。

這就需要我們更好的設(shè)計網(wǎng)絡(luò)去提取不同模態(tài)的特征feature。這里提供兩篇論文供大家參考。

Joint Sequence Learning and Cross-Modality Convolution for 3D Biomedical Segmentation(CVPR 2017) ,

Dense Multi-path U-Net for Ischemic Stroke Lesion Segmentation in Multiple Image Modalities.

4.可解釋性重要。由于醫(yī)療影像最終是輔助醫(yī)生的臨床診斷，所以網(wǎng)絡(luò)告訴醫(yī)生一個3D的CT有沒有病是遠遠不夠的，醫(yī)生還要進一步的想知道，病灶在哪一層，在哪一層的哪個位置，分割出來了嗎，能求體積嘛？同時對于網(wǎng)絡(luò)給出的分類和分割等結(jié)果，醫(yī)生還想知道為什么，所以一些神經(jīng)網(wǎng)絡(luò)可解釋性的trick就有用處了，比較常用的就是畫activation map。看網(wǎng)絡(luò)的哪些區(qū)域被激活了，如下圖。

這里推薦兩篇工作：@周博磊老師的Learning Deep Features for Discriminative Localization(CVPR2016)和其實驗室同學(xué)的 Deep Learning for Identifying Metastatic Breast Cancer（上圖的出處）

BTW:沒有偏題的意思，只是覺得醫(yī)療影像的特點和本問題息息相關(guān)，就一起總結(jié)了。

最后提一個問題，引發(fā)關(guān)注醫(yī)療影像的同學(xué)們思考和討論？

前面有提到，UNet成為大多做醫(yī)療影像語義分割任務(wù)的baseline，也啟發(fā)了大量研究者去思考U型語義分割網(wǎng)絡(luò)。那UNet還有什么不足呢？