Una guida sull'architettura U-Net e le sue applicazioni

La computer vision è una branca dell'intelligenza artificiale (IA) che si concentra sull'analisi dei dati visivi. Ha aperto la strada a molti sistemi all'avanguardia, come l'automazione del processo di ispezione dei prodotti nelle fabbriche e l'aiuto ai veicoli autonomi nella navigazione stradale. 

Uno dei task più noti della computer vision è il rilevamento di oggetti (object detection). Questo task consente ai modelli di localizzare e identificare oggetti all'interno di un'immagine utilizzando bounding box. Sebbene i bounding box siano utili per varie applicazioni, forniscono solo una stima approssimativa della posizione di un oggetto.

Tuttavia, in settori come quello sanitario, dove la precisione è fondamentale, i casi d'uso di Vision AI dipendono da qualcosa di più della semplice identificazione di un oggetto. Spesso, richiedono anche informazioni relative alla forma e alla posizione esatta degli oggetti.

Questo è esattamente ciò che il compito di computer vision, la segmentazione, è progettato per fare. Invece di utilizzare bounding box, i modelli di segmentazione rilevano gli oggetti a livello di pixel. Nel corso degli anni, i ricercatori hanno sviluppato modelli di computer vision specializzati per la segmentazione.

Uno di questi modelli è U-Net. Sebbene modelli più recenti e avanzati ne abbiano superato le prestazioni, U-Net occupa un posto significativo nella storia della computer vision. In questo articolo, esamineremo più da vicino l'architettura U-Net, come funziona, dove è stata utilizzata e come si confronta con i modelli di segmentazione più moderni disponibili oggi.

‍

La storia della segmentazione delle immagini

Prima di analizzare cos'è U-Net, cerchiamo di capire meglio come si sono evoluti i modelli di segmentazione delle immagini.

Inizialmente, la computer vision si basava su tecniche tradizionali come il rilevamento dei bordi, la sogliatura o la crescita delle regioni per separare gli oggetti in un'immagine. Queste tecniche venivano utilizzate per rilevare i contorni degli oggetti utilizzando i bordi, separare le regioni in base all'intensità dei pixel e raggruppare pixel simili. Funzionavano per i casi semplici, ma spesso fallivano quando le immagini presentavano rumore, forme sovrapposte o contorni poco chiari.

In seguito all'ascesa del deep learning nel 2012, i ricercatori hanno introdotto il concetto di reti completamente convoluzionali (FCN) nel 2014 per attività come la segmentazione semantica. Questi modelli hanno sostituito alcune parti di una rete convoluzionale per consentire al computer di esaminare un'intera immagine contemporaneamente, invece di suddividerla in parti più piccole. Ciò ha reso possibile per il modello creare mappe dettagliate che mostrano più chiaramente cosa c'è in un'immagine.

‍

Basato sulle FCN, U-Net è stato introdotto dai ricercatori dell'Università di Friburgo nel 2015. È stato originariamente progettato per la segmentazione di immagini biomediche. In particolare, U-Net è stato progettato per funzionare bene in situazioni in cui i dati annotati sono limitati. 

Nel frattempo, le versioni successive come UNet++ e TransUNet hanno aggiunto aggiornamenti come livelli di attenzione e una migliore estrazione delle caratteristiche. I livelli di attenzione aiutano il modello a concentrarsi sulle regioni chiave, mentre l'estrazione delle caratteristiche migliorata cattura informazioni più dettagliate.

Cos'è U-Net e come fluiscono le caratteristiche attraverso il modello?

U-Net è un modello di deep learning creato specificamente per la segmentazione delle immagini. Prende un'immagine come input e produce una maschera di segmentazione che classifica ogni pixel in base all'oggetto o alla regione a cui appartiene.

Il modello prende il nome dalla sua architettura a forma di U. È costituito da due parti principali: un encoder che comprime l'immagine e apprende le sue caratteristiche, e un decoder che la espande riportandola alle dimensioni originali. Questo design crea una forma a U simmetrica, che aiuta il modello a comprendere sia la struttura complessiva di un'immagine sia i suoi dettagli più fini.

Una caratteristica fondamentale di U-Net è l'uso di connessioni skip, che consentono di trasferire le informazioni dall'encoder direttamente al decoder. Ciò significa che il modello può preservare dettagli importanti che potrebbero andare persi quando l'immagine viene compressa. 

Una panoramica dell'architettura di U-Net

Ecco un assaggio di come funziona l'architettura di U-Net:

• Immagine di input: U-Net inizia con un'immagine 2D, come una scansione medica o una foto satellitare. L'obiettivo è assegnare un'etichetta di classe a ogni pixel nell'immagine.
  
  
• Sottocampionamento: L'immagine passa attraverso livelli convoluzionali che apprendono importanti caratteristiche visive. Man mano che l'immagine si sposta attraverso diversi livelli, la sua risoluzione diminuisce e il modello identifica modelli più ampi.
  
  
• Livello collo di bottiglia: Al centro della rete, le mappe delle caratteristiche raggiungono la loro risoluzione spaziale più piccola pur catturando caratteristiche semantiche di alto livello. In parole semplici, questa rappresentazione compressa delle mappe delle caratteristiche è il contesto generale dell'input.
  
  
• Upsampling: La rete quindi ricostruisce l'immagine aumentando gradualmente la risoluzione. Le convoluzioni trasposte aiutano ad espandere le feature map riportandole alla dimensione originale.
  
  
• Connessioni skip: Le mappe di feature dal percorso di downsampling sono concatenate con quelle nel percorso di upsampling. Questo aiuta a preservare i dettagli spaziali fini integrando informazioni contestuali di alto livello.
• L'output è una mappa di segmentazione: L'output finale è una maschera di segmentazione pixel per pixel che corrisponde alla dimensione dell'input. Ogni pixel è classificato in una categoria come oggetto, sfondo o regione di interesse.

‍

Comprendere la differenza tra ViT e U-Net

Esplorando U-Net, potresti chiederti in cosa differisce da altri modelli di deep learning, come il Vision Transformer (ViT), che può anche eseguire attività di segmentazione. Sebbene entrambi i modelli possano svolgere compiti simili, differiscono in termini di come sono costruiti e di come gestiscono la segmentazione.

U-Net funziona elaborando le immagini a livello di pixel attraverso strati convoluzionali in una struttura encoder-decoder. Viene spesso utilizzato per attività che richiedono una segmentazione precisa, come scansioni mediche o scene di auto a guida autonoma. 

D'altra parte, il Vision Transformer (ViT) suddivide le immagini in patch e le elabora simultaneamente attraverso meccanismi di attenzione. Utilizza l'auto-attenzione (un meccanismo che consente al modello di valutare l'importanza di diverse parti dell'immagine l'una rispetto all'altra) per catturare come le diverse parti dell'immagine si relazionano tra loro, a differenza dell'approccio convoluzionale di U-Net.

Un'altra differenza importante è che ViT generalmente necessita di più dati per funzionare bene, ma è ottimo nell'individuare pattern complessi. U-Net, d'altra parte, funziona bene con dataset più piccoli, è più veloce da addestrare e spesso richiede meno tempo di training.

Applicazioni del modello U-Net

Ora che abbiamo una migliore comprensione di cosa sia U-Net e di come funziona, esploriamo come U-Net è stata applicata in diversi ambiti.

Segmentazione dell'emorragia cerebrale nell'imaging medico

U-Net è diventato un metodo affidabile per la segmentazione a livello di pixel di complesse immagini mediche, in particolare durante il suo periodo d'oro nella ricerca. È stato utilizzato dai ricercatori per evidenziare aree chiave nelle scansioni mediche, come tumori e segni di emorragie interne in immagini CT e MRI. Questo approccio ha significativamente migliorato l'accuratezza delle diagnosi e semplificato l'analisi di dati medici complessi in contesti di ricerca.

Un esempio dell'impatto di U-Net nella ricerca sanitaria è il suo utilizzo nell'identificazione di ictus ed emorragie cerebrali nelle scansioni mediche. I ricercatori potrebbero utilizzare U-Net per analizzare le scansioni della testa ed evidenziare le aree di interesse, consentendo un'identificazione più rapida dei casi che richiedono attenzione immediata.

‍

Segmentazione delle colture in agricoltura

Un altro settore in cui i ricercatori hanno utilizzato U-Net è l'agricoltura, in particolare per la segmentazione di colture, erbacce e suolo. Aiuta gli agricoltori a monitorare la salute delle piante, stimare i raccolti e prendere decisioni migliori in grandi aziende agricole. Ad esempio, U-Net può separare le colture dalle erbacce, rendendo l'applicazione di erbicidi più efficiente e riducendo gli sprechi.

Per affrontare sfide come la sfocatura da movimento nelle immagini dei droni, i ricercatori hanno migliorato U-Net con tecniche di deblurring delle immagini. Ciò garantisce una segmentazione più chiara, anche quando i dati vengono raccolti in movimento, ad esempio durante i rilievi aerei.

‍

Guida autonoma

Prima che venissero introdotti modelli di IA più avanzati, U-Net ha svolto un ruolo fondamentale nell'esplorare come la segmentazione potesse migliorare la guida autonoma. Nei veicoli autonomi, la segmentazione semantica di U-Net può essere utilizzata per classificare ogni pixel in un'immagine in categorie come strada, veicolo, pedone e segnaletica orizzontale. Ciò fornisce all'auto una visione chiara dell'ambiente circostante, aiutando nella navigazione sicura e nel processo decisionale efficace.

‍

Pro e contro di U-Net

Ancora oggi, U-Net rimane una buona scelta per la segmentazione delle immagini tra i ricercatori grazie al suo equilibrio tra semplicità, accuratezza e adattabilità. Ecco alcuni dei principali vantaggi che la fanno risaltare:

• Adattabile per diverse modalità: U-Net è stato adattato a diversi tipi di dati, tra cui scansioni mediche 3D, immagini satellitari e persino fotogrammi video.
  
  
• Inferenza rapida se ottimizzata: Se ottimizzata correttamente, U-Net può essere eseguita in modo efficiente, rendendola adatta per applicazioni in tempo reale o quasi in tempo reale.
  
  
• Open-source e community:  U-Net è disponibile nelle principali librerie di deep learning ed è supportato da una vasta comunità di sviluppatori e ricercatori.

Sebbene U-Net abbia molti punti di forza, ci sono anche alcune limitazioni da tenere a mente. Ecco alcuni fattori da considerare: 

• Sensibile alla qualità dei dati: Le prestazioni di U-Net possono essere influenzate negativamente da dati di scarsa qualità, come immagini rumorose o a bassa risoluzione.
  
  
• Soggetto a overfitting con dataset di piccole dimensioni: Sebbene U-Net funzioni bene con dati limitati, rischia comunque l'overfitting se non adeguatamente regolarizzato, in particolare quando il dataset è troppo piccolo o manca di diversità.
  
  
• Risorse computazionali: U-Net può essere computazionalmente costoso, soprattutto quando si lavora con set di dati di grandi dimensioni, richiedendo significative risorse hardware per l'addestramento.

Punti chiave

U-Net è stata una pietra miliare fondamentale nell'evoluzione della segmentazione delle immagini. Ha dimostrato che i modelli di deep learning possono fornire risultati accurati utilizzando dataset più piccoli, specialmente in aree come l'imaging medicale. 

Questa svolta ha aperto la strada ad applicazioni più avanzate in vari campi. Con la continua evoluzione della computer vision, i modelli di segmentazione come U-Net rimangono fondamentali per consentire alle macchine di comprendere e interpretare i dati visivi con elevata precisione.

Vuoi creare i tuoi progetti di computer vision? Esplora il nostro repository GitHub per approfondire l'IA e dai un'occhiata alle nostre opzioni di licenza. Scopri come la computer vision nel settore sanitario sta migliorando l'efficienza ed esplora l'impatto dell'IA nel retail visitando le nostre pagine delle soluzioni! Unisciti subito alla nostra community in crescita!