U-Net

의료 영상에 최적화할 수 있는 모델

• 의료 영상처리는 Localization이 중요하며, 픽셀마다의 class를 구별할 수 있어야 한다.
• 적은 데이터로 학습의 효율을 높이기 위해 많은 Data Augmentation을 적용했다.

Overlap-tile 기법

• overlap-tile 기법을 사용해서 매끄러운 Segmentation을 만들 수 있었다.
• 현미경 이미지와 같이 큰 이미지를 입력으로 사용할 수 있게 하나의 이미지를 여러 개의 patch로 나눠 입력으로 사용하는데, 이때 overlap-tile 기법을 적용함으로써 큰 이미지를 입력으로 사용할 수 있게 한다.
• 입력 이미지의 크기는 출력 후 감소하기 때문에 overlap-tile 기법은 출력 패치 크기보다 더 큰 영역을 입력 패치로 사용한다.

mirroring 기법

• overlaptile 기법의 그림에서 파란색 영역을 입력으로 사용할 때, 테두리의 공백을 마주하는 크기만큼 mirroring하여 채워 넣는다.

Unet Architecture

• U형태의 네트워크이며, Contracting Path와 Expansive Path로 구분한다.
• Contracting Path
  - 전형적인 Convolution Network이며, 3x3 convolution을 반복하며 ReLU, 2x2 Max Pooling(Stride 2) 연산을 포함하는 downsampling 연산이다.
  - 각 Layer 마다 채널의 수를 2배씩 증가시킨다.
• Expansive Path
  - 2x2 convolution 연산을 사용해서 Upsampling한다.
  - Contracting Path의 feature map을 연결한다.
  - 마지막 1x1 convolution 연산은 64개의 요소를 원하는 클래스 수로 매핑하는데 사용한다.
• Data Augmentation으로는 이미지 rotation, shift, disformation을 사용했다.