Создайте 3-D слои U-Net для семантической сегментации объемных изображений
возвращает 3-D сеть U-Net. lgraph
= unet3dLayers(inputSize
,numClasses
)unet3dLayers
включает слой классификации пикселей в сеть, чтобы предсказать категориальную метку для каждого пикселя во входе объемное изображение.
Использование unet3dLayers
создать сетевую архитектуру для 3-D U-Net. Обучите сеть с помощью функции Deep Learning Toolbox™ trainNetwork
(Deep Learning Toolbox).
[
также возвращает размер выхода объемное изображение от 3-D сети U-Net.lgraph
,outputSize
] = unet3dLayers(inputSize
,numClasses
)
[___] = unet3dLayers(
задает опции с помощью одного или нескольких аргументов пары "имя-значение" в дополнение к входным параметрам в предыдущем синтаксисе.inputSize
,numClasses
,Name,Value
)
Используйте 'same'
дополнение в слоях свертки, чтобы обеспечить тот же размер данных от входа, чтобы вывести и включить использование широкого набора входных размеров изображения.
Используйте основанные на закрашенной фигуре подходы для бесшовной сегментации больших изображений. Можно извлечь закрашенные фигуры изображений при помощи randomPatchExtractionDatastore
функция в Image Processing Toolbox™.
Используйте 'valid'
дополнение в слоях свертки, чтобы предотвратить артефакты границы, в то время как вы используете основанные на закрашенной фигуре подходы для сегментации.
[1] Çiçek, Ö., А. Абдулкадир, С. С. Линкамп, Т. Брокс и О. Роннебергер. "3D U-Net: Изучение Плотной Объемной Сегментации из Разреженной Аннотации". Медицинское Вычисление Изображений и Машинное Вмешательство – MICCAI 2016. MICCAI 2016. Читайте лекции Примечаниям в Информатике. Издание 9901, стр 424–432. Спрингер, Хан.
dicePixelClassificationLayer
| pixelClassificationLayer
| DAGNetwork
(Deep Learning Toolbox) | layerGraph
(Deep Learning Toolbox)deeplabv3plusLayers
| evaluateSemanticSegmentation
| fcnLayers
| segnetLayers
| semanticseg
| unetLayers
| trainNetwork
(Deep Learning Toolbox)