1. 相關(guān)知識點(diǎn)解釋
2. FCN 網(wǎng)絡(luò)算法的理解
3. Unet 網(wǎng)絡(luò)算法的理解
4. Unet++ 網(wǎng)絡(luò)算法的理解
5. Unet+++ 網(wǎng)絡(luò)算法的理解
6. DeepLab v3+ 算法簡閱
7. Unet在醫(yī)學(xué)圖像上的適用與CNN分割算法的簡要總結(jié)

語義分割(Semantic Segmentation)：就是對一張圖像上的所有像素點(diǎn)進(jìn)行分類。(eg: FCN/Unet/Unet++/...)

實(shí)例分割(Instance Segmentation)：可以理解為目標(biāo)檢測和語義分割的結(jié)合。(eg: Mask R-CNN/...)相對目標(biāo)檢測的邊界框，實(shí)例分割可精確到物體的邊緣；相對語義分割，實(shí)例分割需要標(biāo)注出圖上同一物體的不同個(gè)體。

全景分割(Panoptic Segmentation)：可以理解為語義分割和實(shí)例分割的結(jié)合。實(shí)例分割只對圖像中的object進(jìn)行檢測，并對檢測到的object進(jìn)行分割；全景分割是對圖中的所有物體包括背景都要進(jìn)行檢測和分割。

圖像分類：圖像中的氣球是一個(gè)類別。[1]
語義分割：分割出氣球和背景。
目標(biāo)檢測：圖像中有7個(gè)目標(biāo)氣球，并且檢測出每個(gè)氣球的坐標(biāo)位置。
實(shí)例分割：圖像中有7個(gè)不同的氣球，在像素層面給出屬于每個(gè)氣球的像素。

2. CNN特征學(xué)習(xí)的優(yōu)勢

高分辨率特征(較淺的卷積層)感知域較小，有利于feature map和原圖進(jìn)行對齊的，也就是我說的可以提供更多的位置信息。
低分辨率信息(深層的卷積層)由于感知域較大，能夠?qū)W習(xí)到更加抽象一些的特征，可以提供更多的上下文信息，即強(qiáng)語義信息，這有利于像素的精確分類。

3. 上采樣（意義在于將小尺寸的高維度feature map恢復(fù)回去）

上采樣（upsampling）一般包括2種方式：

4. 醫(yī)學(xué)影像語義分割的幾個(gè)評估指標(biāo)[3]

1）Jaccard(IoU)

用于比較有限樣本集之間的相似性與差異性。Jaccard值越大，樣本相似度越高。

關(guān)于對TP、FP、TN、FN的理解，可參考我的另一篇目標(biāo)檢測中mAP計(jì)算的博文：https://zhuanlan.zhihu.com/p/139073511

2）Dice相似系數(shù)

一種集合相似度度量指標(biāo),通常用于計(jì)算兩個(gè)樣本的相似度,值的范圍0~1 ,分割結(jié)果最好時(shí)值為1 ,最差時(shí)值為0 。Dice相似系數(shù)對mask的內(nèi)部填充比較敏感。

3）Hausdorff 距離（豪斯多夫距離）

描述兩組點(diǎn)集之間相似程度的一種量度，對分割出的邊界比較敏感。

4）F1-score

用來衡量二分類模型精確度的一種指標(biāo),同時(shí)考慮到分類模型的準(zhǔn)確率和召回率，可看做是準(zhǔn)確率和召回率的一種加權(quán)平均。

FCN將一般的經(jīng)典的分類網(wǎng)絡(luò)模型（VGG16...）的最后一層的FC層（全連接）換成卷積，這樣可以通過二維的特征圖，后接softmax獲得每個(gè)像素點(diǎn)的分類信息，從而解決了分割問題。

核心思想：
- 不含全連接層(fc)的全卷積(fully conv)網(wǎng)絡(luò)。可適應(yīng)任意尺寸輸入。
- 增大數(shù)據(jù)尺寸的反卷積(deconv)層。能夠輸出精細(xì)的結(jié)果。
- 結(jié)合不同深度層結(jié)果的跳級(skip)結(jié)構(gòu)。同時(shí)確保魯棒性和精確性。

FCN結(jié)構(gòu)示意圖

對于FCN-32s，直接對pool5 feature進(jìn)行32倍上采樣獲得32x upsampled feature，再對32x upsampled feature每個(gè)點(diǎn)做softmax prediction獲得32x upsampled feature prediction（即分割圖）。

對于FCN-16s，首先對pool5 feature進(jìn)行2倍上采樣獲得2x upsampled feature，再把pool4 feature和2x upsampled feature逐點(diǎn)相加，然后對相加的feature進(jìn)行16倍上采樣，并softmax prediction，獲得16x upsampled feature prediction。

對于FCN-8s，首先進(jìn)行pool4+2x upsampled feature逐點(diǎn)相加，然后又進(jìn)行pool3+2x upsampled逐點(diǎn)相加，即進(jìn)行更多次特征融合。

FCN缺點(diǎn)：

結(jié)果不夠精細(xì)。進(jìn)行8倍上采樣雖然比32倍的效果好了很多，但是上采樣的結(jié)果還是比較模糊和平滑，對圖像中的細(xì)節(jié)不敏感。

對各個(gè)像素進(jìn)行分類，沒有充分考慮像素與像素之間的關(guān)系。忽略了在通常的基于像素分類的分割方法中使用的空間規(guī)整（spatial regularization）步驟，缺乏空間一致性。

附FCN論文地址：https://arxiv.org/abs/1411.4038

Unet網(wǎng)絡(luò)結(jié)構(gòu)圖

整個(gè)U-Net網(wǎng)絡(luò)結(jié)構(gòu)類似于一個(gè)大型的字母U，與FCN都是很小的分割網(wǎng)絡(luò)，既沒有使用空洞卷積，也沒有后接CRF，結(jié)構(gòu)簡單。

1. 首先進(jìn)行Conv+Pooling下采樣；
2. 然后反卷積進(jìn)行上采樣，crop之前的低層feature map，進(jìn)行融合；
3. 再次上采樣。
4. 重復(fù)這個(gè)過程，直到獲得輸出388x388x2的feature map，
5. 最后經(jīng)過softmax獲得output segment map。總體來說與FCN思路非常類似。

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。

它采用了與FCN不同的特征融合方式：

1. FCN采用的是逐點(diǎn)相加，對應(yīng)tensorflow的tf.add()函數(shù)
2. U-Net采用的是channel維度拼接融合，對應(yīng)tensorflow的tf.concat()函數(shù)

附Unet論文地址：https://arxiv.org/pdf/1505.04597.pdf

文章對Unet改進(jìn)的點(diǎn)主要是skip connection，作者認(rèn)為skip connection 直接將unet中encoder的淺層特征與decoder的深層特征結(jié)合是不妥當(dāng)?shù)模瑫a(chǎn)生semantic gap。

文中假設(shè)：當(dāng)所結(jié)合的淺層特征與深層特征是semantically similar時(shí)，網(wǎng)絡(luò)的優(yōu)化問題就會更簡單，因此文章對skip connection的改進(jìn)就是想bridge/reduce 這個(gè)semantic gap。

附Unet++論文地址：https://arxiv.org/pdf/1807.10165.pdf

代碼地址：https://github.com/MrGiovanni/UNetPlusPlus

為了彌補(bǔ)UNet和UNet++的缺陷，UNet 3+中的每一個(gè)解碼器層都融合了來自編碼器中的小尺度和同尺度的特征圖，以及來自解碼器的大尺度的特征圖，這些特征圖捕獲了全尺度下的細(xì)粒度語義和粗粒度語義。

附U-net+++論文地址：https://arxiv.org/abs/2004.08790

DeepLab v3+結(jié)構(gòu)圖

Encoder部分

Encoder就是原來的DeepLabv3，
需要注意點(diǎn)：
1. 輸入尺寸與輸出尺寸比（output stride = 16），最后一個(gè)stage的膨脹率rate為2
2. Atrous Spatial Pyramid Pooling module（ASPP）有四個(gè)不同的rate，額外一個(gè)全局平均池化

Decoder部分

先把encoder的結(jié)果上采樣4倍，然后與resnet中下采樣前的Conv2特征concat一起，再進(jìn)行3x3的卷積，最后上采樣4倍得到最終結(jié)果。
需要注意點(diǎn)：融合低層次信息前，先進(jìn)行1x1的卷積，目的是降通道（例如有512個(gè)通道，而encoder結(jié)果只有256個(gè)通道）

附DeepLab v3+論文地址：https://arxiv.org/pdf/1802.02611.pdf

UNet相比于FCN和Deeplab等，共進(jìn)行了4次上采樣，并在同一個(gè)stage使用了skip connection，而不是直接在高級語義特征上進(jìn)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(jìn)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(xì)。

2. 為什么適用于醫(yī)學(xué)圖像？[7]

1. 因?yàn)獒t(yī)學(xué)圖像邊界模糊、梯度復(fù)雜，需要較多的高分辨率信息。高分辨率用于精準(zhǔn)分割。
2. 人體內(nèi)部結(jié)構(gòu)相對固定，分割目標(biāo)在人體圖像中的分布很具有規(guī)律，語義簡單明確，低分辨率信息能夠提供這一信息，用于目標(biāo)物體的識別。
UNet結(jié)合了低分辨率信息（提供物體類別識別依據(jù)）和高分辨率信息（提供精準(zhǔn)分割定位依據(jù)），完美適用于醫(yī)學(xué)圖像分割。

3. 分割算法改進(jìn)總結(jié)：

1. 下采樣+上采樣：Convlution + Deconvlution／Resize
2. 多尺度特征融合：特征逐點(diǎn)相加／特征channel維度拼接
3. 獲得像素級別的segement map：對每一個(gè)像素點(diǎn)進(jìn)行判斷類別