Title

• U-Net : Convolutional Networks for Biomedical Image Segmentation

---

1. Introduction

1.1. 논문이 다루는 Task

• 생물의학적 이미지의 Segmentation Task

• 세포, 장기, 기타 해부학적 구조체 등의 이미지를 정밀하게 분리하는 작업을 포함

---

1.2. 기존 연구 한계점

• sliding window 방식을 사용하면 patch별로 네트워크를 별도로 실행해야하고 patch의 중복으로 인한 중복성이 많기 때문에 속도가 느림.

• localization accuracy와 context 사이의 trade-off가 존재 : patch가 크면 context 정보를 더 많이 활용할 수 있지만 localization accuracy는 감소, patch가 작으면 localization accuracy는 증가하지만 context를 거의 볼 수 없음.

---

2. Architecture

• UNET은 3부분으로 나누어 볼 수 있음.

• 일반적으로 Semantic Segmentation 모델들은 Down-sampling을 통해 크기가 줄어들었다가 다시 Up-sampling을 통해 크기가 늘어나는 구조를 취하는데, U-Net 논문에서는 이를 각각 Contracting Path, Expanding Path라고 부름.

1. Contracting Path: 점진적으로 넓은 범위의 이미지 픽셀을 보며 의미정보(Context Information)을 추출

2. Bottle Neck: 수축 경로에서 확장 경로로 전환되는 전환 구간

3. Expanding Path: 의미정보를 픽셀 위치정보와 결합(Localization)하여 각 픽셀마다 어떤 객체에 속하는지를 구분

---

3. 제안 방법론

3.1. Main Idea

• 첫번째, 인코더(Contract path)의 feature map을 디코더 feature map에 Concat하여 위치 정보전달

• 두번째, 데이터셋의 전처리, 변형(deformation)을 이용하여 데이터 수 증가

• 세번째, 테두리(border line)를 더 잘 분할하기 위해 Weight를 추가한 손실함수(Loss function)

---

3.2. Contribution

• Encoder가 확장함에 따라 채널 수를 1024까지 증폭
  -> 이때 좀 더 고차원에서 정보를 매핑

• 각기 다른 계층의 Encoder 출력을 Decoder와 결합하고 이전 레이어의 정보를 효율적으로 활용

---

4. 실험 및 결과

4.1. Dataset

• Dataset: Transmitted light microscopy images (Phase contrast and DIC)

• Transmitted light microscopy images: 투과 광선 현미경 검사

• Phase contrast: 위상차 현미경

• DIC (Differential interference contrast microscope) = 차등간섭대비 현미경

---

4.2. Baseline

---

4.3. 결과

• Unet architecture는 biomedical segmentation application에서 매우 우수한 성능을 달성

• FCN을 확장시켜 context 정보와 local 정보를 충분히 활용할 수 있는 U모양의 architecture를 제안

• Elastic distortion으로 Data Augmentation을 했기 대문에 적은 dataset에서도 훈련 가능

---

📚 References

• https://wikidocs.net/148870

• https://velog.io/@mink7878/Segmentation-U-Net-Convolutional-Networks-for-Biomedical-Image-Segmentation-%EB%85%BC%EB%AC%B8-%EB%A6%AC%EB%B7%B0