Unetの論文紹介スライド

1. 論文紹介
U-Net: Convolutional
Network for Biomedical
Image Segmentation
Yosuke Hoshi

2. 背景と目標
CNNはとても強力だけど膨大なデータセットが必要
生物医学の分野で十分なトレーニングデータを用意するのは難しい
少ないトレーニング画像でより正確なセグメンテーションをする

3. 提案
1.新しいネットワークアーキテクチャの提案
2.不足しているデータセットを補うデータの拡張

4. 先行研究(Ciresan)
・Deep Neural Networks Segment Neuronal Membranes
in Electron Microscopy Images - 2012
著者:Ciresanら
→従来CNNは出力が画像ごとのラベルの分類問題に使われていたが、
生物学的画像処理における位置推定では各ピクセルにラベルが
割り振られていた。Ciresanらはピクセル周りの局所的な領域を
入力として各ピクセルのクラスラベルを推定するモデルを構築した.
従来の画像毎の意味付け ピクセル毎の意味付け

5. 先行研究(Ciresan)
欠点
1. ネットワークを局所領域(パッチ)ごとに実行する必要がある.
しかしパッチに重複があるため無駄が多く結果的に速度が遅い.
2. パッチが大きいとより多くのmax-pooling層が必要になるが
これは
位置推定の精度を下げる.
一方で、小さなパッチではほとんど背景が認識できなくなる、
というように位置推定の精度と背景の認識がトレードオフの
関係になっている.

6. U-Netの構造
縮小経路 拡大経路

7. U-Netの構造
縮小経路
・畳み込み
conv3 3
padding=0,
stride=1,
ReLU
・ダウンサンプリング
max-pooling2 2,
stride=2,
各ステップで特徴チャンネルを2倍

8. U-Netの構造
拡大経路
畳み込み
・conv3 3,
・padding=0,
・stride=1
・ReLU
アップサンプリング
・deconv2 2
・Copy-and-crop,
・Concatenated path,
・Pointwise conv1 1
・各ステップで特徴チャンネルを1/2倍

9. 学習について
欠けている入力画像はミラーリングによって推定補完する
Overlap-tile strategy

10. 学習について
エネルギー関数
クロスエントロピー誤差関数とソフトマックス関数を組み合わせたもの
最終的な特徴マップの上のピクセル毎に計算される.
k:クラスの数
ak(x):チャンネルkのピクセルxにおける活性化関数

11. 学習について
重み付け
細胞間の境界を判別するためにピクセル単位で細胞間の距離によって
大きくなる重み付けを行う.
x: pixel
d1:最も近い細胞との距離
d2:二番目に近い細胞との距離
σ: のガウス分布σ =
2
N

12. 学習について
データの拡張
使える学習データが少ないためネットワークに不変性とロバストを
与えるためにはデータを拡張する必要がある.
データの拡張には平行移動や回転の不変性を利用するが、少数の
ラベル付き画像で学習するにはランダムな弾性変形が重要になってくる.

13. 学習について
a: 元画像
b: 正解と重ねたもの
c: 生成されたセグメンテーション
d: 学習した境界

14. 結果
a: PhC-U373 元画像
b: 黄色→境界 青色→細胞
c: DIC-HeLa 元画像
d: 黄色→境界 色付き→細胞

15. まとめ
少ないトレーニングデータ
→データの拡張によって解決.
より正確なセグメンテーション
→U-Netによりコンテキスト情報を解像度の高い層に
伝播することが可能になった.

16. 参考文献
[2]Deep Neural Networks Segment Neuronal Membranes
in Electron Microscopy Images
http://people.idsia.ch/ juergen/nips2012.pdf
[1]U-Net: Convolutional Network for Biomedical
Image Segmentation
https://arxiv.org/pdf/1505.04597.pdf
[3]Fully Convolutional Networks for Semantic Segmentation
https://arxiv.org/pdf/1411.4038.pdf