U-Net

U-Net

U-Netは、フライブルク大学のコンピューターサイエンス学部で生物医学画像セグメンテーションのために開発された畳み込みニューラルネットワークです。ネットワークは完全畳み込みネットワークに基づいており、そのアーキテクチャは、より少ないトレーニング画像で動作し、より正確なセグメンテーションを生成するように変更および拡張されています。最新のGPUでは、512×512の画像のセグメンテーションに1秒もかかりません。

コンテンツ
1 説明
2 歴史
3 ネットワークアーキテクチャ
4 アプリケーション
5 実装
6 参考文献

説明
U-Netアーキテクチャは、Long、Shelhamer、およびDarrellによって最初に提案されたいわゆる「完全畳み込みネットワーク」に由来します。
主なアイデアは、通常の契約ネットワークを連続するレイヤーで補完することです。この場合、プーリング操作はアップサンプリング演算子に置き換えられます。したがって、これらのレイヤーは出力の解像度を向上させます。さらに、連続する畳み込み層は、この情報に基づいて正確な出力を組み立てることを学習できます。
U-Netの重要な変更の1つは、アップサンプリング部分に多数の機能チャネルがあり、ネットワークがコンテキスト情報をより高解像度のレイヤーに伝播できるようにすることです。結果として、拡張パスは収縮部分に対して多かれ少なかれ対称であり、U字型のアーキテクチャを生成します。ネットワークは、完全に接続されたレイヤーなしで、各畳み込みの有効な部分のみを使用します。画像の境界領域のピクセルを予測するために、欠落しているコンテキストは、入力画像をミラーリングすることによって推定されます。このタイリング戦略は、ネットワークを大きな画像に適用するために重要です。そうしないと、GPUメモリによって解像度が制限されるためです。

歴史
U-Netは、2015年に論文「U-Net：生物医学画像セグメンテーションのための畳み込みネットワーク」でOlaf Ronneberger、Philipp Fischer、ThomasBroxによって作成されました。これはFCNの改善と発展です：Evan Shelhamer、Jonathan Long、Trevor Darrell（2014）。「セマンティックセグメンテーションのための完全畳み込みネットワーク」。

ネットワークアーキテクチャ
ネットワークは、収縮パスと拡張パスで構成されており、U字型のアーキテクチャになっています。収縮パスは、畳み込みの繰り返し適用で構成され、それぞれに正規化線形ユニット（ReLU）と最大プーリング操作が続く典型的な畳み込みネットワークです。収縮中、空間情報は減少し、特徴情報は増加します。広大な経路は、収縮経路からの高解像度の特徴との一連のアップコンボリューションと連結を通じて、特徴と空間情報を組み合わせます。

  これは、256 x 256RGB画像用にk個の256×256画像マスクを生成するためのU-Netのアーキテクチャの例です。

アプリケーション
脳画像セグメンテーション（「BRATS」）や肝臓画像セグメンテーション（「siliver07」 ）など、生物医学画像セグメンテーションにおけるU-Netの多くのアプリケーションがU-Netのバリエーションは、医用画像の再構成にも適用されています。 U-Netのいくつかのバリエーションとアプリケーションは次のとおりです。
U-Netを使用したピクセル単位の回帰とそのパンシャープンへの応用。
3D U-Net：スパースアノテーションから高密度ボリュームセグメンテーションを学習します。
TernausNet：画像セグメンテーションのためにImageNetで事前トレーニングされたVGG11エンコーダーを備えたU-Net。
蛍光染色を推定するための画像から画像への変換

実装
jakeret（2017）：「TensorflowUnet」
ドイツのフライブルク大学のコンピュータサイエンス学部のパターン認識と画像処理からのU-Netソースコード。
システムの基本的な記事 は、2018年12月24日の時点で、Google Scholarでそれぞれ3693、7049、442、22回引用されています。

参考文献
^ Ronneberger、Olaf; フィッシャー、フィリップ; ブロックス、トーマス（2015）。「U-Net：生物医学画像セグメンテーションのための畳み込みネットワーク」。arXiv：1505.04597 。
^ Long、J。; Shelhamer、E。; ダレル、T。（2014）。「セマンティックセグメンテーションのための完全畳み込みネットワーク」。パターン分析と機械知能に関するIEEEトランザクション。39（4）：640–651。arXiv：1411.4038。土井：10.1109 /TPAMI.2016.2572683。PMID27247417。_ S2CID1629541。_    ^ 「U-Netコード」。
^ 「MICCAIBraTS2017：スコープ|生物医学画像分析（SBIA）のセクション|ペンシルベニア大学のペレルマン医学部」。www.med.upenn.edu 。
^ 「SLIVER07：ホーム」。www.sliver07.org 。
^ Andersson J、AhlströmH、Kullberg J。「畳み込みニューラルネットワークを使用した全身グラディエントエコースキャンにおける水と脂肪の信号の分離」。医学における磁気共鳴。82（3）：1177–1186。土井：10.1002 /mrm.27786。PMC 6618066。PMID 31033022。    ^ 八尾、魏; Zeng、Zhigang; リアン、チェン; 唐、ホイミン（2018-10-27）。「U-Netを使用したピクセル単位の回帰とそのパンシャープンへの応用」。ニューロコンピューティング。312：364–371。土井：10.1016 /j.neucom.2018.05.103。ISSN 0925から2312まで。  
^ Çiçek、オガン。アブドゥルカディル、アーメド; Lienkamp、Soeren（2016）。「3DU-Net：スパースアノテーションからの高密度ボリュームセグメンテーションの学習」。arXiv：1606.06650 。
^ イグロビコフ、ウラジミール; Shvets、Alexey（2018）。「TernausNet：画像セグメンテーションのためにImageNetで事前トレーニングされたVGG11エンコーダーを備えたU-Net」。arXiv：1801.05746 。
^ https://arxiv.org/abs/2002.08361 ^ Akeret、ジョエル（2018年12月24日）、画像セグメンテーションのための汎用UネットTensorflow実装：jakeret / tf_unet、検索された2018年12月24日を
^ 「U-Net：生物医学画像セグメンテーションのための畳み込みネットワーク」。lmb.informatik.uni-freiburg.de 。
^ U-net GoogleScholar引用データ”