tensorflow 2.0 实战 CT cervix 图像分割 U-Net网络 （二）初步认识U-Net网络

U-Net网络模型属于全卷积神经网络的一种，是一个有监督的端到端的图像分割网络，由弗莱堡大学Olaf在ISBI举办的细胞影像分割比赛中提出的[1]。其网络结构形式字母U，如图，命名为U-Net，网络主要由两部分，收缩路径（编码层）和扩展路径（解码层），前者主要用于提取图片的上下信息，后者用于对图片中感兴趣区域进行精准定位。U-Net基于FCN[2]进行改进，采取数据增强策略，实现小样本的准确学习，主要适用于获取代价较大的医学影像数据。

整个模型含有23个卷积层，在编码层每一层使用两个卷积核大小为3×3，后使用ReLU激活函数，再通过2×2大小的最大池化层（类似于卷积，不同的是取局部最大值）向下采样，每次采样后其通道数翻倍。（增加卷积核的个数，就可以使通道数翻倍）

在解码层采用2×2卷积核的逆卷积（通过padding后卷积实现输出高宽大于输入高宽）向上采样，以及将通道数减半，后使用跳跃链接将编码层中的等分辨率的特征图与当前的特征图进行拼接，再使用两个卷积层（其中第一个卷积层将图像的通道数减半）和ReLU激活函数对图像进行特征提取，最后一个卷积核为1×1对特征图的通道数进行归约，将其缩减为分割类别一致。（减少卷积核的个数，就可以缩减通道数）

[1] 2015-Olaf-U-Net: Convolutional Networks for Biomedical Image Segmentation

[2] 2015-long-Fully Convolutional Networks for Semantic Segmentation

评价指标：

主要是Dice指数和Jaccard指数，用于计算计算分割结果与专家标注结果（GroundTruth）的重叠比例大小。

损失函数：交叉熵损失、Focal损失

Github项目:

32 Star https://github.com/scottykwok/cervix-roi-segmentation-by-unet

2 Star https://github.com/ElijhaLee2/Cervix_Classification_GAN

Newest https://github.com/fxfviolet/UNet_for_cervix_segmentation