[深度學習] U-net 簡介

在目前深度學習超級熱門的情況下, 在醫學裡面的應用也是非常的廣, 其中影像分割(Segmentation) 的角色也是非常重要, 目前有許多又新又強的模型, 不過很多都是基於U-net變化來的, 訪間關於U-net的文章非常多, 不過東西就是要自己整理過一次, 才會吸收, 以下是我的U-net筆記

U-net 的經典圖形就是長的像U字型, 所以稱之為U-net, 其結構如下:

圖片點此: https://images.app.goo.gl/eiWHV2rWxuyQYPt77

可以看到幾個重點:

1.  先做所謂的downsampling, 提取影像特徵, 之後再做所謂的upsampling

2. 擔心downsampling 會把重要消息丟失, 因此在做 upsampling的時候, 還有和之前downsampling 的數據做concatenation

3. output 出來的影像會比input小, 因為沒有做padding

4. 初始版本是用2D 影像, 後續版本還有所謂的 3D U-net

5. 每次down-sampling, feature channel 加倍, 每次up-sampling, feature channel 減半

文章先打到這裡, 之後補上python 實現

reference

1. U-Net: Convolutional Networks for Biomedical Image Segmentation

[生物統計] 臨床常用的幾個統計

這個假日去上課, 課中台中榮總的陳一銘醫師分享了醫學常用的統計, 這邊我把課程內的表格稍作改變(已徵得開課方同意), 再加上其他統計資料, 來做個整理!

首先是經典表格:

	類別資料	無母數	有母數
兩組比	Chi-square	Mann-Whitney U	Independent t
多組比	Chi-square	Kruskal-Wallis	ANOVA
配對比	McNemar’s	Wilcoxon Singed rank	Paired t
相關性	Chi-square	Spearmen correlation	Regression & Pearson's correlation

表格裡面的類別資料指的是把資料分類，舉例來說我們想知道糖尿病比例在男女是否不同，這樣把性別分成男女，把糖尿病狀態分成有糖尿病比上沒有糖尿病，這樣就是類別資料做比較

再來是要簡單介紹一下何謂有母數(parametric), 一般來說在統計裡面, parametric 是指母體要符合某種預設的分布, 通常是常態分佈,  當然也有可能是其他分布, 不過至少在上面那張常用統計裡面, 有母數都是指分布要符合常態分布! 因為常見的醫學研究通常不可能會知道整個母體的資料, 因此都要進行抽樣, 抽出來進行分析的就是所謂樣本!

一般我們常說樣本要夠多, 其原因就是因為當樣本數非常多(一般說至少30人)的時候, 可以帶所謂的中央極限定理(central limit theorem), 這個時候當抽取非常多次樣本的時候, 其平均值的分布會接近常態分佈, 因此可以適用上面有母數的分析法

Reference:

1. https://www.ibm.com/support/knowledgecenter/zh-tw/SS6NHC/com.ibm.swg.im.dashdb.analytics.doc/doc/r_statistics.html