2D Unet에서 발전된 3D Unet입니다. 2016년에 구글 DeepMind팀에서발표했습니다.
Abstract
이 논문에서 volumnetric segmentation에 대해 두 가지의 방법을 제시합니다.
- semi-automated
- fully-automated
Introduction
의학 데이터 분석에서는 volumnetrci data가 넘쳐난다고 합니다. 이 데이터들을 segmentation labeling하는 지루하고 어려운 작업입니다. 게다가 이웃한 slice 이미지들은 거의 동일한 정보를 갖고 있어 비효율적입니다.
그렇기 때문에 논문에서는 abstract에서 말했던 두가지 방법을 제시합니다. 첫번째는 일부만 labeling된 2D 슬라이스 이미지를 통해 훈련하는 방법입니다. 두번째는 거의 labeling되지 않은 데이터셋 여러개를 사용해 학습을 합니다. 두 경우는 서로 연관이 있다고 합니다.
네트워크는 이름처럼 2d u-net에서 3d 아키텍쳐로 변경되었고 batch normalization을 추가적으로 사용했습니다.
의학에서는 일반적으로 이미지 구성이 반복적이라 적은 이미지로도 학습이 잘 된다고합니다. volumetric image에는 더 뚜렷한 효과가 나타난다고 하네요. 데이터 증강과 두 개의 volumetric image만으로 훈련이 가능합니다.
Network Architecture
모델 구조는 기본 U net과 동일합니다.
Implementation Details
데이터의 레이블은 0(inside the tubule), 1(tubule), 2(background), 3(unlabled)으로 이루어져있습니다. 데이터 증강에서는 scling, rotation, gray value를 기본적으로 사용하고, smooth dense deformation을 데이터와 ground truth에 적용했습니다.
레이블 3은 loss를 계산하지 않고 실제 가중치 업데이트를 하는데 반영되지 않습니다. 논문은 Caffe2 프레임워크를 사용했습니다.
Conclusion
사실 2D에서 3D로 바뀐게 전부라서 U-net을 이미 알고 있는 상황이라면 크게 설명할 것이 없을 것 같네요
code
2d는 제가 구현했었던 코드고 3d는 거의 비슷한데 이미 만들어진 코드가 있어 링크를 가져왔습니다.
