У меня есть набор трехмерных изображений брюшной полости, из которых я хотел бы, чтобы сеть научилась сегментировать почки и печень.Прежде чем приступить к реализации модели, которая может учиться на трехмерных изображениях, я хотел бы сначала узнать, как все работает с 2d, а затем продолжить, чтобы я создал сеть со следующей архитектурой
tanh (Conv 32) -tanh (Conv 64) - tanh (Conv 128) - softmax (Conv 256) (Deconv, softmax (Conv 128)) - - (Deconv, softmax (Conv 64)) - - (Deconv, softmax (Conv32)) - - (Deconv, softmax(Conv 3))
и обучен на каждой глубине одного файла.Я намеренно установил активацию четвертого и последовательных слоев на softmax, потому что при деконволуции я хочу понять, что интерполирует программа, а не просто некоторые нейронные активации.Учитывая, что softmax дает результаты, которые сжимаются между 0 и 1, я подумал, что это будет иметь смысл как изображение с плавающей запятой.
Размеры данных будут [512, 512, 371] на изображение, в которомЯ полагаю, что третье измерение - это глубина, а форма вывода будет [512, 512, 371, 3], в которой последнее измерение можно интерпретировать как вероятность пикселей, представляющих каждый класс (фон, почку и печень).прокладка пути для расчета потерь с использованием кросс-энтропии.
Деконволюционный слой - это не что иное, как транспонированная свертка с весами, инициализированными для билинейной интерполяции.(Вы можете считать, что билинейная интерполяция работает, так как я проверил модуль самостоятельно).
В сети наблюдаются такие проблемы, как ошибка обучения, достигающая нуля после 20 эпох, и она начинает колебаться в пределах некоторого значения эпсилона при обучении с помощью функции потери среднего квадрата ошибок.Во время обучения с кросс-энтропией это не так, но это даже не приближается к тому, что производит предыдущая модель с точки зрения окончательной сегментации.
Я собрал код в github-репо возможно, вы могли бы заметить вещи, которые я не могу.Если вы столкнетесь с sf_epochs_30.png в моем репозитории и удивитесь, что это такое, то вот описание: Рисунок (а): Учебный образ Рисунок (б): Наземная истинаи потеря - MSE.
Может кто-то предложить, как улучшить изучение этой сети.Я желаю вам попробовать запустить мою программу.