參考部落格：
https://blog.csdn.net/qq_36484003/article/details/108874913
https://blog.csdn.net/weixin_41424926/article/details/103105801
代碼參考：
https://github.com/liyun-lu/unet_and_vnet
目錄
2D U-net
3D U-net。
V-net
2D U-net
以全連接配接卷積神經網絡為基礎設計的。
創新點：上采樣，下采樣，U型結構，短接通道（skip connection）
下采樣：傳統的特征提取路徑，簡稱壓縮路徑，将特征壓縮成由特征組成的特征圖。
上采樣：經過複原路徑，簡稱擴充路徑，将提取的特征圖解碼為和原來圖像尺寸一緻的分割後的預測圖像。
另外，copy and crop 即大紅色箭頭所指的操作，是為了降低壓縮路徑中圖像資訊的丢失，将壓縮後的特征圖疊加在擴充路徑上同尺寸大小的特征圖上，再進行卷積核上采樣操作，以此來整合更多資訊進行圖像分割。
結構了解如是：從左上方開始到右上方結束就是一個完整的Unet路徑。
左側第1層stage1-----輸入572*572*1的單通道圖像，經過藍色箭頭3*3的卷積核的卷積，Relu激活，變為570*570*64的64通道圖像（n-f+1=572-3+1=570）。同理，變為568*568*64的64通道圖像。
在stage1結束後，經過紅色箭頭最大池化2*2，圖像尺寸縮小一倍，得到284*284*64的64通道圖像。然後進入左側第2層stage2，每次圖像尺寸縮小一倍，特征圖的通道數要擴大一倍，經過藍色箭頭3*3的卷積核的卷積，Relu激活，變為282*282*128。同理，變為280*280*128的128通道圖像。
..................
直到左側的第5層stage5，即最底層，此時完成了壓縮路徑，此時特征圖大小為28*28*1024。然後開始右側的擴充路徑。
經過綠色箭頭2*2的反卷積（轉置卷積），可以将圖像尺寸擴大一倍，同時特征圖的通道數縮小一倍，得到56*56*512的圖像。再疊加上從壓縮路徑第4個stage池化前的特征圖複制過來的，組合成56*56*1024的圖像。這裡疊加的特征圖是為了降低壓縮路徑中圖像資訊的損失。再經過藍色箭頭的兩次卷積，得到52*52*512的512通道圖像，512是強制得到的嗎？？目前我是這麼了解的，不對之處麻煩批評指正。
以此類推，上采樣，卷積，最後得到388*388*2的2通道圖像，之是以是2 是因為作者做的是前景和後景的分類，如果是多分類，改成相應的類的數目即可。
（這裡還有個問題，為什麼輸入的是572*572的圖像，輸出的卻是388*388的圖像？
答：這裡作者在預處理圖像時用了一個小技巧“Overlap-tile”。如圖所示，實際要分割的是左圖中黃色的區域，如果隻用黃色區域分割，那麼黃色的邊緣效果肯定會很差，故為了保證邊緣分割效果，輸入圖像的尺寸要稍微比原圖像大一些，就是藍色區域。如果藍色區域超越了原始圖像的邊緣，也不能用0-padding來填充，而是要使用鏡像方式進行padding，這樣至少能保留細胞輪廓的完整性。
是以，藍色區域就是572*572，黃色區域就是388*388。在完成下一個黃色區域的預測時，藍色區域會有所重合，是以成為Overlap-tile
）
3D U-net。
創新點：将2D Unet的2D操作換成3D操作
2D U-net和3D U-net差別：通道數翻倍的時刻和反卷積操作不同。
（1）在2D U-net中，通道數翻倍的時刻是在下采樣後的第一次卷積時；在3D U-net中，通道數翻倍的時刻是在下采樣或上采樣前的卷積中。
（2）對于反卷積操作，2D U-net中通道數減半，而3D U-net中通道數不變。
（3）另外，3D U-net還使用batch normalization來加快收斂和避免網絡結構的瓶頸。
V-net
此模型是針對3D圖像提出來的。
創新點：1、引入殘差，在每個stage中，Vnet采用了ResNet的短路連接配接方式（水準方向的殘差連結使用element-wise）；2、卷積層代替上采樣和下采樣的池化層。
V-Net 就是對U-net的一個變形。此時的資料集可以直接用3D資料集。最後輸出的也是單通道的3D資料。是以在這個論文裡做的是二分類問題，是以他們采用了醫學圖像常用的Dice loss。
另外，咋下采樣和上采樣時不是采用的最大池化和反卷積，而是使用的卷積和反卷積。
假設A是預測出的所有前景像素集合，B是ground truth的前景像素集合
如果想要多分類，則需要将通道數更改下。