U-Net : Réseaux de convolution pour la segmentation d'images biomédicales

Il existe un consensus général selon lequel l'entraînement réussi de réseaux profonds nécessite des milliers d'échantillons d'entraînement annotés. Dans cet article, nous présentons une architecture de réseau et une stratégie d'entraînement qui s'appuient sur une utilisation intensive de l'augmentation de données pour utiliser les échantillons annotés disponibles de manière plus efficace. Cette architecture comprend un chemin contractant pour capturer le contexte et un chemin expansif symétrique qui permet une localisation précise. Nous montrons qu'un tel réseau peut être entraîné de manière end-to-end à partir de très peu d'images et surpasser la méthode précédemment la meilleure (un réseau convolutif à fenêtre glissante) dans le cadre du défi ISBI pour la segmentation des structures neuronales dans des empilements microscopiques électroniques. En utilisant le même réseau entraîné sur des images de microscopie à lumière transmise (contraste de phase et DIC), nous avons remporté le défi ISBI 2015 de suivi cellulaire dans ces catégories avec une marge considérable. De plus, ce réseau est rapide. La segmentation d'une image de 512x512 pixels prend moins d'une seconde sur une carte graphique récente. L'implémentation complète (basée sur Caffe) ainsi que les réseaux entraînés sont disponibles à l'adresse suivante : http://lmb.informatik.uni-freiburg.de/people/ronneber/u-net.