详细内容或原文请订阅后点击阅览
使用 torch 进行脑图像分割
各种科学及其应用都需要对图像进行分割，其中许多对人类（和动物）生命至关重要。在这篇介绍性文章中，我们训练了一个 U-Net 来标记 MRI 脑部扫描中的病变区域。
来源:RStudio AI博客当什么还不够时
什么没错，有时区分不同类型的物体至关重要。那是一辆朝我飞驰而来的汽车吗？在这种情况下，我最好跳开？还是一只巨大的杜宾犬（在这种情况下，我可能会做同样的事情）？然而，在现实生活中，通常需要的是细粒度分割，而不是粗粒度分类。
分类 分割放大图像，我们不是在寻找单个标签；相反，我们希望根据某些标准对每个像素进行分类：
- 在医学中，我们可能希望区分不同的细胞类型，或识别肿瘤。在各种地球科学中，卫星数据用于分割陆地表面。为了能够使用自定义背景，视频会议软件必须能够区分前景和背景。
在医学中，我们可能想要区分不同的细胞类型，或者识别肿瘤。
在各种地球科学中，卫星数据用于分割陆地表面。
为了能够使用自定义背景，视频会议软件必须能够区分前景和背景。
图像分割是一种监督学习的形式：需要某种基本事实。在这里，它以掩码的形式出现 - 一个图像，其空间分辨率与输入数据相同，它为每个像素指定真实的类别。因此，分类损失是按像素计算的；然后将损失相加以得出用于优化的总数。
mask图像分割的“规范”架构是 U-Net（自 2015 年左右以来）。
U-NetU-Net
这是原型 U-Net，如原始 Rönneberger 等人的论文（Ronneberger、Fischer 和 Brox 2015）中所述。
通道 每像素 2019 做