このページの内容は最新ではありません。最新版の英語を参照するには、ここをクリックします。

dicePixelClassificationLayer

一般化 Dice 損失を使用したセマンティック セグメンテーションのピクセル分類層の作成

R2019b 以降

説明

Dice ピクセル分類層は、一般化 Dice 損失を使用して、各イメージ ピクセルまたはボクセルのカテゴリカル ラベルを提供します。

この層は、一般化 Dice 損失を使用して、セマンティック セグメンテーションの問題におけるクラスの不平衡の問題を緩和します。一般化 Dice 損失では、期待される領域の逆サイズでクラスを重み付けすることにより、各クラスが損失にもたらす貢献を制御します。

作成

構文

layer = dicePixelClassificationLayer

layer = dicePixelClassificationLayer(Name,Value)

説明

layer = dicePixelClassificationLayer は、セマンティック イメージ セグメンテーション ネットワークの Dice ピクセル分類出力層を作成します。この層は、CNN によって処理される各イメージ ピクセルまたはボクセルのカテゴリカル ラベルを出力します。学習中、層は未定義のピクセルのラベルを自動的に無視します。

layer = dicePixelClassificationLayer(Name,Value) は、オプションの Classes プロパティと Name プロパティを設定するための名前と値の引数を使用して Dice ピクセル分類出力層を返します。複数の名前と値の引数を指定できます。

たとえば、dicePixelClassificationLayer("Name","pixclass") は、"pixclass" という名前の Dice ピクセル分類層を作成します。

プロパティ

Classes — 出力層のクラス

"auto" (既定値) | categorical ベクトル | string 配列 | 文字ベクトルの cell 配列

出力層のクラス。categorical ベクトル、string 配列、文字ベクトルの cell 配列、または "auto" として指定します。Classes が "auto" の場合、学習時にクラスが自動的に設定されます。string 配列または文字ベクトルの cell 配列 str を指定すると、出力層のクラスが categorical(str,str) に設定されます。

データ型: char | categorical | string | cell

OutputSize — 出力サイズ

'auto' (既定値)

この プロパティ は読み取り専用です。

層の出力サイズ。学習前の値は 'auto' で、学習時の値は数値で指定します。

LossFunction — 損失関数

'generalizedDiceLoss' (既定値)

この プロパティ は読み取り専用です。

学習に使用する損失関数。'generalizedDiceLoss' として指定します。

Name — 層の名前

"" (既定値) | 文字ベクトル | string スカラー

層の名前。文字ベクトルまたは string スカラーとして指定します。Layer 配列入力の場合、関数 trainnet (Deep Learning Toolbox)、trainNetwork (Deep Learning Toolbox)、assembleNetwork (Deep Learning Toolbox)、layerGraph (Deep Learning Toolbox)、および dlnetwork (Deep Learning Toolbox) は、名前が "" の層に自動的に名前を割り当てます。

DicePixelClassificationLayer オブジェクトは、このプロパティを文字ベクトルとして格納します。

データ型: char | string

NumInputs — 入力の数

1 (既定値)

この プロパティ は読み取り専用です。

層への入力の数。1 として返されます。この層は単一の入力のみを受け入れます。

データ型: double

InputNames — 入力名

{'in'} (既定値)

この プロパティ は読み取り専用です。

入力名。{'in'} として返されます。この層は単一の入力のみを受け入れます。

データ型: cell

例

Dice ピクセル分類層を使用した 2 次元セマンティック セグメンテーション ネットワークの作成

一般化 Dice 損失関数を使用して、入力イメージ内のすべてのピクセルのカテゴリカル ラベルを予測します。

layers = [
      imageInputLayer([480 640 3])
      convolution2dLayer(3,16,'Stride',2,'Padding',1)
      reluLayer
      transposedConv2dLayer(2,4,'Stride',2)
      softmaxLayer
      dicePixelClassificationLayer
      ]  

layers = 
  6x1 Layer array with layers:

     1   ''   Image Input                       480x640x3 images with 'zerocenter' normalization
     2   ''   2-D Convolution                   16 3x3 convolutions with stride [2  2] and padding [1  1  1  1]
     3   ''   ReLU                              ReLU
     4   ''   2-D Transposed Convolution        4 2x2 transposed convolutions with stride [2  2] and cropping [0  0  0  0]
     5   ''   Softmax                           softmax
     6   ''   Dice Pixel Classification Layer   Generalized Dice loss 

詳細

Dice 損失

Dice 損失関数は、2 つのセグメント化されたイメージ間のオーバーラップを測定するための Sørensen-Dice 類似度係数に基づいています。

1 つのイメージ Y と対応するグラウンド トゥルース T の間の損失に対して dicePixelClassificationLayer によって使用される一般化 Dice 損失関数 L は、次で求められます。

$$L=1-\frac{2{\displaystyle {\sum }_{k=1}^K{w}_k}{\displaystyle {\sum }_{m=1}^M{Y}_{km}{T}_{km}}}{{\displaystyle {\sum }_{k=1}^K{w}_k}{\displaystyle {\sum }_{m=1}^M{Y}_{km}^2+T_{km}^2}}$$

K はクラスの数、M は Y の最初の 2 つの次元に沿った要素の数、w_k は各クラスの損失にもたらす貢献を制御するクラス固有の重み係数です。この重み付けは、Dice スコアに対する大きな領域の影響を無効にするのに役立ち、より小さな領域をセグメント化する方法をネットワークが学習しやすくします。通常、w_k は次のように、予想される領域の面積の逆数になります。

$$w_k=\frac{1}{{\left({\displaystyle {\sum }_{m=1}^M{T}_{km}}\right)}^2}$$

一般化 Dice 損失関数[1]、[2]にはいくつかのバリエーションがあります。dicePixelClassificationLayer で使用される関数は、予測がグラウンド トゥルース[3]と一致する場合に微分が必ず 0 になるように 2 乗項をもちます。

参照

[1] Crum, William R., Oscar Camara, and Derek LG Hill. "Generalized overlap measures for evaluation and validation in medical image analysis." IEEE Transactions on Medical Imaging. 25.11, 2006, pp. 1451–1461.

[2] Sudre, Carole H., et al. "Generalised Dice overlap as a deep learning loss function for highly unbalanced segmentations." Deep Learning in Medical Image Analysis and Multimodal Learning for Clinical Decision Support. Springer, Cham, 2017, pp. 240–248.

[3] Milletari, Fausto, Nassir Navab, and Seyed-Ahmad Ahmadi. "V-Net: Fully Convolutional Neural Networks for Volumetric Medical Image Segmentation". Fourth International Conference on 3D Vision (3DV). Stanford, CA, 2016: pp. 565–571.

拡張機能

C/C++ コード生成

MATLAB® Coder™ を使用して C および C++ コードを生成します。

使用上の注意および制限:

コード ジェネレーターでは、ロケール設定によって決まる 8 ビット ASCII コードセットで文字が表されます。したがって、クラス名、層の名前、層の説明、またはネットワーク名に非 ASCII 文字を使用すると、エラーが発生する可能性があります。詳細については、コード生成での文字のエンコード (MATLAB Coder)を参照してください。

GPU コード生成

GPU Coder™ を使用して NVIDIA® GPU のための CUDA® コードを生成します。

使用上の注意および制限:

• GPU Coder™ を使用して CUDA^® または C++ コードを生成するには、最初に深層ニューラル ネットワークを構築して学習させなければなりません。ネットワークの学習と評価が完了したら、コード ジェネレーターを構成してコードを生成し、NVIDIA^® または ARM^® GPU プロセッサを使用するプラットフォームに畳み込みニューラル ネットワークを展開できます。詳細については、GPU Coder を使用した深層学習 (GPU Coder) を参照してください。

• この層向けに、NVIDIA CUDA 深層ニューラル ネットワーク ライブラリ (cuDNN)、NVIDIA TensorRT™ 高性能推論ライブラリ、または Mali GPU 用 ARM Compute Library を利用するコードを生成できます。

• コード ジェネレーターでは、ロケール設定によって決まる 8 ビット ASCII コードセットで文字が表されます。したがって、クラス名、層の名前、層の説明、またはネットワーク名に非 ASCII 文字を使用すると、エラーが発生する可能性があります。詳細については、コード生成での文字のエンコード (MATLAB Coder)を参照してください。

バージョン履歴

R2019b で導入

参考

trainNetwork (Deep Learning Toolbox) | semanticseg | pixelLabelDatastore | fcnLayers | segnetLayers | pixelClassificationLayer

トピック

• 深層学習を使用した脳腫瘍の 3 次元セグメンテーション
• 深層学習を使用したセマンティック セグメンテーション入門
• 深層学習層の一覧 (Deep Learning Toolbox)
• MATLAB による深層学習 (Deep Learning Toolbox)
• 畳み込みニューラル ネットワークの層の指定 (Deep Learning Toolbox)