這篇文章給大家介紹Tensorflow中ANU-Net如何使用，內(nèi)容非常詳細，感興趣的小伙伴們可以參考借鑒，希望對大家能有所幫助。
成都創(chuàng)新互聯(lián)是一家專業(yè)提供克拉瑪依企業(yè)網(wǎng)站建設,專注與成都做網(wǎng)站、成都網(wǎng)站建設、H5技術(shù)、小程序制作等業(yè)務。10年已為克拉瑪依眾多企業(yè)、政府機構(gòu)等服務。創(chuàng)新互聯(lián)專業(yè)網(wǎng)絡公司優(yōu)惠進行中。
1、ANU-Net網(wǎng)絡優(yōu)點
一般醫(yī)學影像分割研究分為兩類：（1）、人工和半自動分割，（2）、全自動分割。雖然有大量的FCN和Unet的改進模型被提出，但是這些方法大都是將分割任務分成兩部分：定位和分割。額外的定位步驟增加了模型的參數(shù)也帶來額外的計算時間。此外模型分割精度嚴重依賴第一步定位的精度。為了解決更精確地分割結(jié)果需求，文章作者提出了ANUNet網(wǎng)絡，基于嵌套的Unet結(jié)構(gòu)和注意力機制。
論文主要貢獻有（1）、ANUNet用來醫(yī)學圖像分割，（2）、在公開數(shù)據(jù)實驗表示注意力機制可以聚焦在整個圖像上的目標器官而抑制不相關組織。
（3）、ANUNet能夠增加目標區(qū)域的權(quán)重，同時抑制與分割任務無關的背景區(qū)域。
（4）、ANUNet重新設計了嵌套的UNet結(jié)構(gòu)，集成了不同級別的特征，與其他基于UNet的模型相比，在各種醫(yī)學圖像分割任務上都帶來了更高的性能。
（5）、由于引入了深度監(jiān)督機制，ANUNet具有靈活的網(wǎng)絡結(jié)構(gòu)，可以在測試期間執(zhí)行修剪操作。
因此，可以大大減少修剪后的ANUNet中的大量參數(shù)，并以降低少許性能為代價來加速模型。2、ANU-Net結(jié)構(gòu)
嵌套UNet結(jié)構(gòu)與Unet的區(qū)別在于重新設計了不同深度的密跳躍連接，并采用了嵌套卷積模塊。每個嵌套卷積模塊通過幾個卷積層來提取語義信息，每個卷積層是通過密跳躍連接來連接的，拼接層可以融合不同級別的語義信息。嵌套結(jié)構(gòu)具有以下優(yōu)勢（1）、嵌套結(jié)構(gòu)可以自己學習到不同深度的重要特征，因此避免復雜地選擇深層和淺層特征。（2）、嵌套結(jié)構(gòu)共享一個特征提取器，因此不需要訓練一系列的Unet，只有一個編碼器。（3）、嵌套結(jié)構(gòu)中，不同級別的特征通過不同的獨立的解碼器來恢復，因此可以從不同級別獲得分層的解碼模板。在嵌套Unet結(jié)構(gòu)中增加注意力門控，結(jié)構(gòu)如下圖所示。注意力門控有兩個輸入：編碼器中的上采樣特征g和解碼器中相對應的深度特征f。g是門控信號用來增強f中學到的特征。換言之，這個門控信號可以從編碼特征中選擇更有用的特征，然后在傳送到上一級編碼器中取。兩個輸入經(jīng)過卷積層和BN層后在逐元素相加，在經(jīng)過relu函數(shù)，再經(jīng)過卷積層和BN層，再通過sigmod函數(shù)產(chǎn)生注意力系數(shù)，最后將獲得系數(shù)與編碼器特征元素相乘得到最后出輸出。注意門控具有良好的選擇功能，在抑制與任務無關的區(qū)域的同時，可以增強與分割任務相關的目標區(qū)域的學習。因此，我們的工作將“注意門”整合到了提出的網(wǎng)絡中以提高并通過跳過連接來有效地傳播語義信息。集成注意力機制和嵌套UNet結(jié)構(gòu)的網(wǎng)絡即ANUNet。ANUNet采用嵌套UNet作為基本網(wǎng)絡框架，編碼器和解碼器對稱地排列在網(wǎng)絡的兩側(cè)。編碼器提取的上下文信息通過密集的跳過連接傳播到相應層的解碼器，從而可以提取更有效的分層特征。
對于密集跳過連接，解碼器中每個卷積塊的輸入均包含兩個等尺度的特征圖：（1）中間特征圖來自沿相同深度的跳過連接的前面注意門的輸出；（2）最終特征圖來自更深模塊的反卷積運算的輸出。在接收并拼接了所有特征圖之后，解碼器以自下而上的方式還原特征。所有先前特征圖累積并到達當前塊的原因是，密集跳過連接可以充分利用該層中先前嵌套卷積塊中的這些特征圖。如下圖所示，例如X（0，4）是由上采樣X（1，3）和之前所有的注意力輸出拼接構(gòu)成，其它以此類推。
ANUNet的兩個主要創(chuàng)新是：網(wǎng)絡通過密集跳過連接從編碼器到解碼器提取特征，用于集成層次表示。此外，在嵌套卷積塊之間添加了注意門，以便可以將不同層提取的特征在解碼器路徑中選擇性合并。因此，ANUNet的準確性是提升了的。深度監(jiān)督可以緩解梯度消失的問題，加快收斂速度。此外，深度監(jiān)督還可以協(xié)助損失函數(shù)發(fā)揮正規(guī)化的作用。為了引入深度監(jiān)督，ANUNet在第一層的每個輸出塊（X0_1，X0_2，X0_3，X0_4）之后增加了1x1卷積層和sigmod激活函數(shù)。此外，ANUNet將這些層直接連接到最終輸出，以計算損失和反向傳播。
由于嵌套卷積塊之間設計了密集的跳過連接，因此ANUNet從塊中獲取了不同語義級別的全分辨率特征圖。為了充分利用這些語義信息，重新設計了結(jié)合dice系數(shù)損失（DICE），focal損失（FOCAL）和二進制交叉熵損失（BCE）的混合損失函數(shù)。如下圖所示ANUNet有L1，L2，L3，L4四個不同深度的裁切網(wǎng)絡，灰色區(qū)域意味著這些模塊和注意門控在預測的時候被移除了。
3、實驗設置與結(jié)果對比
使用了LiTS和CHAOS數(shù)據(jù)集，將所有標注數(shù)據(jù)按照五比一分成訓練數(shù)據(jù)和測試數(shù)據(jù)，并將所有數(shù)據(jù)按照HU值單位范圍（-200，200）進行截斷，去除不相關的無用細節(jié)。Dice相似系統(tǒng)，IOU值，精度和召回率來評估分割結(jié)果的性能。ANUNet與UNet，R2UNet，UNet++，AttentionUNet和AttentionR2UNet進行比較。
關于Tensorflow中ANU-Net如何使用就分享到這里了，希望以上內(nèi)容可以對大家有一定的幫助，可以學到更多知識。如果覺得文章不錯，可以把它分享出去讓更多的人看到。
新聞標題：Tensorflow中ANU-Net如何使用
文章路徑：
http://weahome.cn/article/ihcpjj.html
重慶分公司
重慶分公司
