Создайте 3D слои U-Net для семантической сегментации объемных изображений
lgraph = unet3dLayers(inputSize,numClasses)unet3dLayers включает в себя слой классификации пикселей в сети для прогнозирования категориальной метки для каждого пикселя во входном объемном изображении.
Использовать unet3dLayers для создания сетевой архитектуры для 3-D U-Net. Обучение сети с помощью функции Deep Learning Toolbox™ trainNetwork (инструментарий глубокого обучения).
[ также возвращает размер продукции объемное изображение от 3D сети U-Net.lgraph,outputSize] = unet3dLayers(inputSize,numClasses)
[___] = unet3dLayers( указывает параметры, использующие один или несколько аргументов пары имя-значение в дополнение к входным аргументам в предыдущем синтаксисе.inputSize,numClasses,Name,Value)
Создайте 3D сеть U-Net с глубиной декодера кодирующего устройства 2. Укажите количество выходных каналов для первого слоя свертки как 16.
imageSize = [128 128 128 3]; numClasses = 5; encoderDepth = 2; lgraph = unet3dLayers(imageSize,numClasses,'EncoderDepth',encoderDepth,'NumFirstEncoderFilters',16)
lgraph =
LayerGraph with properties:
Layers: [40×1 nnet.cnn.layer.Layer]
Connections: [41×2 table]
InputNames: {'ImageInputLayer'}
OutputNames: {'Segmentation-Layer'}
Отображение сети.
figure('Units','Normalized','Position',[0 0 0.5 0.55]); plot(lgraph)
Используйте глубокую образовательную сеть анализатор, чтобы визуализировать 3D сеть U-Net.
analyzeNetwork(lgraph);
Визуализация показывает количество выходных каналов для каждого каскада кодера. Первые слои свертки в каскадах 1 и 2 кодера имеют 16 и 32 выходных канала соответственно. Вторые слои свертки в каскадах 1 и 2 кодера имеют 32 и 64 выходных канала соответственно.
Использовать 'same' заполнение в слоях свертки для поддержания одного и того же размера данных от входа к выходу и обеспечения возможности использования широкого набора размеров входного изображения.
Используйте подходы на основе патчей для прозрачной сегментации больших изображений. Вы можете извлечь исправления изображений с помощью randomPatchExtractionDatastore функция в Toolbox™ обработки изображений.
Использовать 'valid' заполнение в слоях свертки для предотвращения артефактов границ при использовании подходов на основе исправлений для сегментации.
[1] Чичек, Лиенкамп, Т. Брокс и О. Роннебергер. «3D U-Net: обучение плотной объемной сегментации из разреженной аннотации». Вычисления медицинских изображений и компьютерное вмешательство - MICCAI 2016. MICCAI 2016. Лекции по информатике. Том 9901, стр. 424-432. Спрингер, Чем.
dicePixelClassificationLayer | pixelClassificationLayer | DAGNetwork (инструментарий глубокого обучения) | layerGraph (инструментарий для глубокого обучения)deeplabv3plusLayers | evaluateSemanticSegmentation | fcnLayers | segnetLayers | semanticseg | unetLayers | trainNetwork (инструментарий для глубокого обучения)