生物醫學圖像分割與目標檢測：UOLO
本文將介紹INESC TEC和波爾圖大學的Faculdade de Engenharia da Universidade做的UOLO-生物醫學圖像中的自動對象檢測和分割。這作為DLMIA 2018技術報告發布。本文提出了UOLO(上圖)，一種同時檢測和分割醫學圖像中感興趣結構的新穎框架。
UOLO是用于同時檢測和分割醫學圖像中對象的網絡。利用注釋數據進行分割的優點是即使使用少量圖像數據也可以保持較高的檢測性能。
解剖結構的檢測和分割是一項醫學成像分析的核心任務，因為它可以勾畫出感興趣區域(ROI)的輪廓，地標的創建以及功能的改進。一旦確定了ROI，對象分割就變得更加容易。
在分割方面，深度全卷積神經網絡在各種圖像和問題上均達到了最高性能。UNet的優勢在于其自動編碼結構，因此可以使用更少的訓練數據進行更強大的分析。
檢測模型是一種使用具有大量自然圖像數據集的預訓練網絡作為檢測模塊的特征提取器的方法，例如Faster R-CNN和YOLOv2。在YOLOv2中，直接使用了預訓練權重的每個區域激活預測ROI的坐標和標簽。
Mask-R CNN是一個結合了檢測和細分模型的類似網絡。在這種架構中，分割模塊和檢測模塊是分開的。因此，分割部分僅負責掩模的預測，并且掩模由檢測模塊按類別標記。不管其高性能如何，該模型在醫學圖像分析問題中的使用都受到限制。它不適用于醫療應用，因為它需要在像素級別注釋大量數據。
UOLO是結合了細分模塊UNet和對象檢測模塊YOLOv2的模型。這個想法的背景是，在UNet的解碼器層中學習的抽象包含多尺度信息，該信息不僅對對象的分割有用，而且對對象的檢測也有用。UOLO的主要優點之一是利用少量的訓練數據，利用檢測和分段模塊來實現可靠而有效的預測。
1.對象分割模塊
在UOLO中，改進了U-Net網絡以進行對象分割;在每個卷積層之后添加批處理歸一化，并用跨步卷積層替換池化層。UNet的損失函數使用聯合軟交集(IoU)計算地面真值掩碼和預測掩碼之間的損失。
2.物體檢測模塊
對于對象檢測，UOLO利用YOLOv2的思想來實現兩個目標。
(1)從圖像中提取特征(F_YOLO)
(2)特征解釋塊，可預測目標對象的標簽和邊界框(D_YOLO)
在UOLO中，分割模塊成為承擔F_YOLO角色的特征提取模塊，F_YOLO是特征解釋塊D_YOLO的輸入。
還學會了YOLOv2優化損失函數：λ1調整中心位置的誤差，λ2調整錯誤的尺寸(即高度和寬度)，λ3調整錯誤的盒子存在預測，λ4調整對象的錯誤分類。
3.聯合目標檢測與分割
UOLO框架，嵌套的U-Net負責基于YOLOv2的檢測器的分割和特征提取
UOLO的損失計算方案
UOLO框架同時實現對象檢測和分段，算法1中顯示了UOLO的行為。關于UOLO的有趣之處在于，與Mask R-CNN等不同，如圖3所示，分段模塊本身成為一個特征提取模塊，它充當對象檢測(F_ YOLO)的角色，并且是特征解釋模塊(D_ YOLO)的輸入。
UOLO(M_ U-Net)的分割模塊獲取一對RGB和地面真實圖像，并通過最小化損失函數(L_ U-Net)訓練分割。
中號_U-Net的是通過連接的瓶頸(最后編碼層)和下采樣解碼地圖來獲得張量獲得。從每個層的張量輸出F _YOLO(圖3張量，16 * 16 * 1672)和特征解釋模塊D _YOLO(圖3張量，16 * 16 * 2 * 7)中獲取輸出，并優化損失函數( L _YOLO)。
特征解釋模塊(D _YOLO)和分割模塊(M _U-Net)組合形成M _UOLO，這是一個通過最小化相應損失函數的添加而優化的單個模型。
4.實驗結果
下圖和兩個表顯示了用UOLO學習的抽象在解決問題方面非常有效：第一個表顯示了與最新方法的比較，第二個表顯示了用于OD檢測的UOLO的結果和分割和FV檢測。下圖顯示了使用UOLO時復雜檢測和分段預測的兩個示例.UOLO在Messidor數據集上訓練。
下圖顯示了Messidor圖像上UOLO的結果。綠色曲線：分段光盤(OD)，綠色和藍色框：分別表示預測的OD和FV位置;黑色曲線：地面真相OD分割;黑點和藍點：分別是地面真相OD和FV位置。每個框旁邊顯示對象檢測置信度。還顯示了IoU(聯合上的交點)和歸一化距離(D)值。
復雜檢測和分段情況下的兩個預測示例
OD檢測，分割和FV檢測的最新技術
在檢測和分割任務方面，UOLO的性能均等于或優于現有的領先方法(在Messidor上為IoU 0.88±0.09)。因此，表明在分割模塊中學習到的抽象不僅可以有效地解決分割任務中的問題，而且還可以有效地解決對象檢測任務中的問題。
UOLO在視盤(OD)檢測和分割以及中央凹(FV)檢測上的性能。n：用于檢測和分割的訓練圖像的數量
此外，當使用少量逐像素批注的圖像時，UOLO十分強大，同時保持了分割和檢測性能;通過將Messidor數據集中的帶注釋圖像的數量從680個減少到100個帶注釋圖像，減少了15%，并仍然保持分割和檢測性能(如表中所示)，從而訓練了UOLO。分割和檢測性能沒有改變。這意味著UOLO不需要大量的逐個像素注釋，從而有助于其在醫療領域的應用，因為在這些領域中獲取這些注釋可能會非常昂貴。
本文轉載 ??小白遇見AI?? ，作者：小煩
