BT-Unet采用Barlow twin方法对U-Net模型的编码器进行无监督的预训练减少冗余信息，以学习数据表示。
之后，对完整网络进行微调以执行实际的分割。

BT-Unet由 Indian Institute of Information Technology Allahabad开发，发布在2022年的JML上

BT-Unet

BT-Unet架构图：a、预训练U-Net编码器网络，b、用预训练的编码器权值初始化的微调U-Net模型

BT-Unet框架分为两个阶段:1)预训练阶段和2)微调阶段。

预训练

预训练的目的是使用无注释的数据样本，学习复杂的特征表示。U-Net模型的编码器使用Barlow Twins (BT)策略进行预先训练，然后进行微调以执行实际的分割:

BT-Unet框架可应用于各种先进的U-Net模型:经典U-Net、注意力U-Net (A-Unet)、inception U-Net (I-Unet)和residual cross-spatial attention guided inception U-Net (RCA-IUnet)。

微调

U-Net 模型中编码器网络的权重使用预训练权重（来自第一阶段）进行初始化，而网络的其余部分使用默认权重进行初始化。

使用有限的注释样本对 U-Net 模型进行微调，用于生物医学图像分割。

U-Net 模型使用分段损失函数进行微调，L 定义为二元交叉熵损失、LBC 和dice coefficient损失的平均值，LDC：

其中，y为像素的真值标签，p(y)为像素的预测标签，N为像素的总数量。

结果表现

论文使用下面的数据集进行评测对比：

基于相同样本数量的小训练集的性能分析

• KDSB18： BTU-Net 模型的性能优于没有使用 BT方法 的模型。
• BUSIS：U-Net 和 A-Unet 模型无法学习和提取有关肿瘤区域的特征图（精度、DC 和 mIoU 为 0），但是通过预训练，这些模型取得了显着的改进。 在 I-Unet 和 RCAIUnet 模型的情况下，通过预训练可以得到相当大的改进。
• ISIC18：I-Unet 和 RCAIUnet 模型是影响最大的网络，精度分别提高了 5.1% 和 2.2%。 然而，在使用 BT 预训练时，经典的U-Net 和 A-Unet 的性能略有下降。
• BraTS18：I-Unet 和 RCA-IUnet 模型在使用 BT-Unet 框架时在分割性能上取得了显着提升，而普通 U-Net 和 A-Unet 模型则没有观察到相同的行为。

在不同规模小型训练集的性能研究

对于所有训练数据比例小于50%的数据集，在模型之间观察到类似的性能变化。

定性结果

带有BT的RCA-IUNet具有很好的分割效果。

论文：

[2022 JML] [BT-Unet] BT-Unet: A self-supervised learning framework for biomedical image segmentation using barlow twins with U-net models

作者：Sik-Ho Tsang