U-Net in segmentation of biomedical images

Celem niniejszej pracy jest porównanie wyników dwóch metod segmentacji obrazów, pochodzących ze zbioru danych dostarczonym w ramach konkursu Kaggle 2018. Pracę można podzielić na następujące 4 etapy:1. Analiza i zapewnienie poprawności zbioru danych wejściowych.2. Implementacja sieci neuronowej U-Net i jej test na danych z konkursuKaggle 2018. Ten etap to punkt wyjścia naszych badań.3. Implementacja sieci neuronowej MultiResUNet i jej test na danych z konkursu Kaggle 2018.4. Porównanie wyników testów obu sieci i sprawdzenie, czy sieć MultiResUNet stanowi usprawnienie dla poblemu z konkursu Kaggle 2018 względem sieci U-Net, będącej punktem wyjścia.Sieć MultiResUNet wykazała wynik o 4% lepszy od U-Net.

The purpose of this study is to compare the results of two image segmentation methods from the dataset provided as part of the Kaggle 2018 competition. The work can be divided into the following 4 stages:1. Analysis and ensuring the correctness of the input data set.2. Implementation of the U-Net neural network and its test on data from the competition Kaggle 2018. This stage is the starting point for our research.3. Implementation of the MultiResUNet neural network and its test on data from the Kaggle 2018 competition.4. Compare the test results of both networks and check whether the MultiResUNet network is an improvement for the Kaggle 2018 competition compared to the U-Net network, which is the starting point.The MultiResUNet network showed a 4% better result than U-Net.