U-Net

البنية

• مسار التقليص: كتل من التفافين 3×3 مع ReLU ثم Max Pooling، ويتضاعف عدد القنوات مع كل مستوى.
• عنق الزجاجة: أعمق تمثيل وأصغر دقة مكانية.
• مسار التوسيع: تكبير ثم دمج مع خرائط المستوى المقابل من المشفر (وصلة التخطي) ثم التفافان.
• الطبقة الأخيرة: التفاف 1×1 يعطي قناة لكل فئة.

تطبيق مختصر في PyTorch

import torch, torch.nn as nn

def block(cin, cout):
    return nn.Sequential(
        nn.Conv2d(cin, cout, 3, padding=1), nn.BatchNorm2d(cout), nn.ReLU(inplace=True),
        nn.Conv2d(cout, cout, 3, padding=1), nn.BatchNorm2d(cout), nn.ReLU(inplace=True))

class UNet(nn.Module):
    def __init__(self, in_ch=1, n_classes=1, base=32):
        super().__init__()
        self.e1, self.e2, self.e3 = block(in_ch, base), block(base, base*2), block(base*2, base*4)
        self.pool = nn.MaxPool2d(2)
        self.mid = block(base*4, base*8)
        self.u3, self.d3 = nn.ConvTranspose2d(base*8, base*4, 2, 2), block(base*8, base*4)
        self.u2, self.d2 = nn.ConvTranspose2d(base*4, base*2, 2, 2), block(base*4, base*2)
        self.u1, self.d1 = nn.ConvTranspose2d(base*2, base, 2, 2), block(base*2, base)
        self.out = nn.Conv2d(base, n_classes, 1)
    def forward(self, x):
        e1 = self.e1(x); e2 = self.e2(self.pool(e1)); e3 = self.e3(self.pool(e2))
        m = self.mid(self.pool(e3))
        d3 = self.d3(torch.cat([self.u3(m), e3], 1))
        d2 = self.d2(torch.cat([self.u2(d3), e2], 1))
        d1 = self.d1(torch.cat([self.u1(d2), e1], 1))
        return self.out(d1)              # logits

print(UNet()(torch.randn(2, 1, 128, 128)).shape)   # (2, 1, 128, 128)

التدريب

def dice_loss(logits, target, eps=1e-6):
    p = torch.sigmoid(logits)
    inter = (p * target).sum(dim=(2, 3))
    return 1 - ((2 * inter + eps) / (p.sum(dim=(2, 3)) + target.sum(dim=(2, 3)) + eps)).mean()

bce = nn.BCEWithLogitsLoss()
loss_fn = lambda lo, t: bce(lo, t) + dice_loss(lo, t)

الامتدادات

• 3D U-Net: لأحجام CT وMRI.
• Attention U-Net وUNet++: تحسينات على وصلات التخطي.
• nnU-Net: يضبط المعالجة والمعمارية والتدريب تلقائياً، ويُعد خط أساس قوياً جداً في مسابقات التقسيم الطبي.
• MONAI: إطار مفتوح مبني على PyTorch لتطبيقات الذكاء الاصطناعي الطبي.