用于语义分割和生物医学图像分割的 Unet 架构概述

U 形架构由特定的编码器-解码器方案组成：编码器在每一层中减少空间维度并增加通道。另一方面，解码器在减少通道的同时增加空间维度。在解码器中传递的张量通常称为瓶颈。最后，恢复空间维度以对输入图像中的每个像素进行预测。这些类型的模型在实际应用中被广泛使用。

本文旨在探索经受住时间考验的 Unet 架构。

要深入了解 AI 在医学中的应用，Coursera 的这门在线课程绝对不会错：医学 AI

要深入了解 AI 在医学中的应用，Coursera 的这门在线课程绝对不会错：医学 AI

医学 AI

全卷积网络 (FCN)

全卷积网络 1 是首批没有全连接层的架构之一。除了可以进行端到端训练之外，对于单个像素预测（例如语义分割），它还可以处理任意大小的输入。它是一种通用架构，可以有效地使用转置卷积作为可训练的上采样方法。

1 无 处理任意大小的输入 转置卷积

完全卷积层架构。来源

完全卷积层架构。来源 来源

给定一个预训练编码器，FCN 如下所示：

import torch

import torch

import torch.nn as nn

import torch 。 nn as nn

class FCN32s(nn.Module):

class FCN32s ( nn . 模块 ) :

def

__init__ ( self , pretrained_net , n_class ) : super().__init__()

super

( ) 。 __init__ ( ) self.n_class = n_class

self

。 n_class = n_class self.pretrained_net = pretrained_net

self

。 pretrained_net = pretrained_net self.relu = nn.ReLU(inplace=True)

self

。 relu = nn 。 ReLU ( inplace = True ) self.deconv1 = nn.ConvTranspose2d(512, 512, kernel_size=3, stride=2, padding=1, dilation=1, output_padding=1)

self

. deconv1 = nn . ConvTranspose2d ( 512 , 512 , = 3 , = 2 ,