1. 内容

1.1 Abstract

• 该网络训练非常快，训练一张512*512的图片只需要不到1秒

1.2 Introduction

• 生物医学图像处理中期望得到的输出应该包括位置，所以每个像素都应该进行标注

• Unet网络的优点：用更少的数据得到更高分割准确率

• 用上采样操作代替网络后部的池化操作，增加了输出的分辨率

• 上采样的同时还能拥有大量的特征通道，可以将上下文信息传播到高分辨的层

• 图像边界区域中的元素，可通过镜像输入图像来推断上下文

• 对图像应用弹性变形来使用图像增强

1.3 Network Architecture

1.4 训练

• 对于相互接触的细胞之间增加一个大的权重，提高分割细胞的准确性

1.5 难点

• Contracting path：提取语义信息

• Symmetric expanding path：确保精确定位

2. 亮点

• 数据增强时采用了随即弹性变形

• 并不是读入全部图片，而是将图片一部分一部分处理，对于图片的padding采用镜像的方式，不会引入噪声

• 损失函数的改进，采用加权损失让网络更加倾向于学习边缘区域的像素