【深度学习】DL下的3D图像和Low-level Vision问题解析

【深度学习】DL下的3D图像和Low-level Vision问题解析

文章目录
1 概述
2 low-level vision
    2.1 【注意力机制、超分】Learning Texture Transformer Network for Image Super-Resolution
    2.2 【解耦表征、多模图像转换、超分、修复】Nested Scale-Editing for Conditional Image Synthesis
3 Low-level vision task 低级视觉任务：image2image, video2video 等等。
4 High-level vision task 高级视觉任务：检测，识别，分割 等等。
5 3D图像训练

1 概述

Low-level feature:通常是指图像中的一些小的细节信息，例如边缘(edge)，角(corner),颜色(color),像素(pixeles),梯度(gradients)等，这些信息可以通过滤波器、SIFT或HOG获取。

high-level feature:是建立在low level feature之上的，可以用于图像中目标或物体形状的识别和检测，具
有更丰富的语义信息
high-level feature常被人称为是高级的语义信息，他的感觉就像通过环境信息纹理信息, 等-些
信息综合得出来的一个信息,然后分类or检测的时候在使用它去进行判断。

low-level feature它是怎么来的?
它是原图通过很浅的几层卷积得到的输出，这里提一个感受野 (不知道感受野看第三点)，浅层的特
征他的感受野较小，例如:他只从5x5的区域提取一个边缘信息。 high-level feature他的感受野大，
他可以从100x100的区域总结一个语义信息。

上图是语义分割一 个操作来分析有没有low-level所带来的影响，做法是一个网络label 就是右边的
GT，当只使用high-level的特征做预测的时候 他可以得到大体的目标的状态,一个很宏观的角度。当
引入low-level的特征就会弥补很多细节信息。
实low-level high-level实也要分任务的,不同任务理解也不太一样。

2 low-level vision

除了High-level Vision任务外，很少有研究将transformer应用于low-level vision领域，例如图像超分辨率，图像生成等。与以标签或框为输出的分类，分割和检测相比，low-level vision任务 通常将图像作为输出（例如，高分辨率图像或去噪图像），这更具有挑战性。

Parmar等迈出第一步，推广transformer模型来制定图像转换和生成任务，并提出Image transformer。 Image transformer由两部分组成：用于提取图像表示的编码器和用于生成像素的解码器。对于值为0 - 255的每个像素，将学习256×d维embeddings，以将每个值编码为d维向量，将其作为编码器的输入。编码器和解码器的架构与《Advances in neural information processing systems》中的相同。解码器中每一层的详细结构如图所示。

low-level vision
low-level version: which concerns the extraction of image properties from the retinal image.
低级视觉：主要关注的是从视网膜图像中提取图像的特性。
middle-level vision
middle-level vision: which concerns the integration of image properties into perceptual organizations.
中级视觉：主要关注是将图像特性整合到知觉组织中。
high-level vision
high-level vision: which concerns the everyday functionality of perceptual organizations.
高级视觉：主要关注的是知觉组织的日常功能。
与其问low-level vision的热门方向是什么，不如问low-level领域有哪些亟待解决的难题。DL大热时随便一个low-level问题套上CNN都能远超之前的效果，但是现在能简单用CNN灌水的领域已经不多了 lol，随便聊一聊可能会再热的方向

其实评测标准一直是一个很头疼的问题，一直以来大家都默认PSNR，SSIM这些为主要的评测手段，但是近几年来越来越多的paper发现了，PSNR/SSIM与视觉效果不再保持一致。比较著名的比如说超分辨率（Super Resolution）领域，从SRGAN [1] 出来以后大家都发现清晰而错误的细节相比于模糊的细节PSNR结果更差，但是超分辨率恰恰是一个ill-posed的问题，没有所谓的正确的结果的，清晰的细节才是目标，举一个明显的例子，今年ECCV的一个challenge上放的一张图

很明显的看到最右边一张图才是人眼感受最好的，结果PSNR/SSIM结果反而最低，恰恰印证了上面提到的问题：错误而清晰的细节能提高人眼感受，却会得到一个较差的PSNR

2.1 【注意力机制、超分】Learning Texture Transformer Network for Image Super-Resolution

图像超分辨率（SR）是从低分辨率（LR）图像中恢复逼真的纹理；通过将高分辨率图像用作参考（Ref），可将相关纹理迁移到LR图像。但现有SR方法忽略了使用注意力机制从Ref图像迁移高分辨率（HR）纹理的情况，本文提出TT（Texture Transformer Network）SR，其中LR和Ref图像分别表示为转换器中的查询和关键字。TTSR由四个紧密相关的模块组成，这些模块针对图像生成任务进行了优化，包括DNN可学习的纹理提取器，相关性嵌入模块，用于纹理迁移的硬注意力模块和用于纹理合成的软注意力模块。这样的设计鼓励了跨LR和Ref图像的联合特征学习，其中可通过注意力发现深层特征对应关系，从而可以传递/迁移准确的纹理特征信息。

2.2 【解耦表征、多模图像转换、超分、修复】Nested Scale-Editing for Conditional Image Synthesis

提出一种图像合成方法，可在潜在码空间中提供分层导航。对于微小局部或非常低分辨率的图像，方法在生成最接近GT的采样图像方面始终胜过最新技术。

3 Low-level vision task 低级视觉任务：image2image, video2video 等等。

低级去噪任务+高级语义分割任务。

4 High-level vision task 高级视觉任务：检测，识别，分割 等等。

那么一般在什么应用场景会结合使用呢？比如做低质量人像识别，可通过low-level model得到较高质量的人像，再进行 high-level识别（然而在实际场景中，一般低质量的会被直接剔除掉）。。。这类问题的难点和有趣的地方在于“较高质量”的定义是客观/人类主观质量评价的，还是相对于高级任务有帮助的？Low-level和high-level又是如何mutual来学习的？

最近由于要做基于视频的低级+高级任务，故阅览了几篇经典的图像低级+高级任务结合的文章，总结分享一下。
Deep Generative Adversarial Compression Artifact Removal[1]，ICCV2017
主要贡献如下：

1. 设计了简单有效的生成器网络，并对比使用 MSE，SSIM，判别器对抗学习 三种不同的 Loss，对图像decompression去压缩任务的客观/主观质量的影响。

2. 基于压缩算法一般先将图像分成patches再进行DCT的思想，判别器也是基于图像sub-patch level 来操作，可更好消除 mosquito noise。

3. 探索了compression artifacts对深度学习目标检测器的影响，及decompression去压缩对检测器性能的提升。

生成器网络架构如下图：

简单地堆残差block，只用了一个下采样及上采样来减少计算量，全卷积网络（即可在小Patch(128*128)进行训练，然后应用到更大的图片里；因为压缩损失一般是基于小block及macroblock）。

对于损失函数的设计，文中对比了以下三种：

MSE loss ，即对应 客观质量评价指标PSNR，故理论上使用MSE loss，监督出来图像的PSNR值会高。

2. SSIM loss， 即对应 客观质量评价指标SSIM，故理论上使用SSIM loss，监督出来图像的SSIM值会高。

3. 基于生成对抗的 loss，保证分布相似及主观质量较好。

对于判别器，其输入是生成器输出的（128128）patch分成1616的sub-patches，这是针对压缩算法的特点设计的。

5 3D图像训练

数据格式转换
常见的医学图像格式有DICOM（后缀名为.dcm），MHD（后缀名为.mhd和.raw）以及NIFTY（后缀名为.nii或.nii.gz）。这几种格式都不太方便直接进行操作，一般都使用对应的Python库将数据进行读取后，转换成numpy数组后再进行后续处理。

nnUNet中给出了一种建议的目标数据格式，将每一个病例的数据，都存成一个四维numpy数组以及与之对应的pickle文件。
图像裁剪Crop
图像裁剪就是将三维的医学图像裁剪到它的非零区域，具体方法就是在图像中寻找一个最小的三维bounding box，该bounding box区域以外的值为0，使用这个bounding box对图像进行裁剪。相比裁剪前，裁剪后的图像对于最后的分割结果没有影响，但是却可以减小图像尺寸，避免无用的计算，提高计算效率。这个操作对于部分数据集如大脑数据集比较有效，这些数据集中外围全黑的背景相对较多。裁剪在nnUNet的实现中可以分为3步。

第一步根据四维图像数据data(C,X,Y,Z)生成三维的非零模板nonzero_mask，标示图像中哪些区域是非零的 。不同的模态都有对应的三维数据，产生不同的三维nonzero_mask，而整个四维图像的非零模板为各个模态非零模板的并集。最后调用scipy库的binary_fill_holes函数对生成的nonzero_mask进行填充。

重采样Resample
重采样目的是解决在一些三维医学图像数据集中，不同的图像中单个体素voxel所代表的实际空间大小spacing不一致的问题。因为卷积神经网络只在体素空间中进行操作，会忽视掉实际物理空间中大小信息。为了避免这种差异性，需要对不同图像数据在体素空间进行resize，保证不同的图像数据中，每个体素所代表的实际物理空间一致。

具体需要将整个数据集resample到多大的spacing，即目标空间大小target_spacing应该多大呢？nnUNet给出的建议是在大多数时候使用数据集各个图像不同spacing的中值，但是在各向异性（最大坐标上的spacing÷最小坐标上的spacing>3）的数据集中，取数据集10%分位点的spacing值作为spacing最大坐标的目标空间大小会是更好的选择。重采样的步骤可以简单分成3步。

第一步是确定重采样的目标空间大小。在之前数据格式转换的时候，每个数据的spacing信息存储在对应的pickle文件中，需要依次进行读取，然后一起存放在一个列表spacings当中。之后调用numpy中函数统计每个维度spacing的中值即可。

target_spacing_percentile = 50
target = np.percentile(np.vstack(spacings), target_spacing_percentile, 0)

接下来根据中值spacing进行判断，数据集是否存在各向异性的问题。nnUNet设定的判断标准是，中值spacing中三个维度，是否有一个维度spacing大于另一个维度spacing的3倍，并且，该维度的中值size小于另一个维度中值size的1/3。如果存在各向异性，对spacing特别大的维度，取数据集中该维度spacing值的10%分位点作为该维度的目标空间大小。

anisotropy_threshold = 3

worst_spacing_axis = np.argmax(target)
other_axes = [i for i in range(len(target)) if i != worst_spacing_axis]
other_spacings = [target[i] for i in other_axes]

has_aniso_spacing = target[worst_spacing_axis] > (anisotropy_threshold * min(other_spacings))
has_aniso_voxels = target_size[worst_spacing_axis] * self.anisotropy_threshold < min(other_sizes)
if has_aniso_spacing and has_aniso_voxels:
    spacings_of_that_axis = np.vstack(spacings)[:, worst_spacing_axis]
    target_spacing_of_that_axis = np.percentile(spacings_of_that_axis, 10)
    # don't let the spacing of that axis get higher than the other axes
    if target_spacing_of_that_axis < min(other_spacings):
        target_spacing_of_that_axis = max(min(other_spacings), target_spacing_of_that_axis) + 1e-5
    target[worst_spacing_axis] = target_spacing_of_that_axis

第二步根据target_spacing确定每张图像的目标尺寸。每张图像, spacing和shape之间的乘积为一个定值,代表整个图像在实际空间中的大小。因此可以得到如下关系:

new_shape = np.round(((np.array(original_spacing) / np.array(target_spacing)).astype(float) * shape)).astype(int)

第三步调用skimage库中的reisze函数对每张图像进行resize即可, 但在nnUNet中会根据图像是否存在各向异性进行不同的resize策略。如果不存在各向异性，对整个三维图像进行3阶spline插值即可。如果图像存在各向异性，设spacing大的维度为z轴，则仅在图像的xy平面进行3阶spline插值，而在z轴采用最近邻插值。而对于分割的标注图像，无论各向异性与否, 在三个维度上都采用最近邻插值。下面代码中，用do_seperate_z表示是否存在各向异性，用axis表示各向异性图像中spacing最大的轴。

在医学图象中，多模态数据因成像机理不同而能从多种层面提供信息。多模态图像分割包含重点问题为如何融合(fusion)不同模态间信息，