Dense-Unet实现眼底图像血管分割(VesselNet)

最新推荐文章于 2023-03-20 20:58:44 发布
VIP文章 最新推荐文章于 2023-03-20 20:58:44 发布
阅读量8.4k 收藏 64
点赞数 6
分类专栏： 深度学习 文章标签： VesselNet DenseUnet 眼底图像血管分割 RetinaUnet
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/ETF6996/article/details/102776844
版权

之前用Retina Unet项目实现了眼底图像血管分割，分割网络用的是Unet，现在看了DenseNet之后，将之前Unet网络中的Conv2d替换成下图的Dense Block之后，效果会有提升。
在这里插入图片描述
在DRIVE数据集上的AUC值：

MethodsAUC ROC on DRIVE
Retina-Unet0.9790
VesselNet0.9841

下面是Dense-Unet博主的项目连接：Retina-VesselNet

  • 首次运行：运行run main_train.py文件后会在experiment文件夹下生成数据路径文件，然后将自己的训练数据放进去，再次运行run main_train.py文件来进行训练。
  • 测试：如果像测试自己的图片，就将测试图片放在VesselNet / test / origin文件夹下面，然后在配置文件configs/segmention_config.json中修改图片类型，再运行main_test.py就可以预测了，预测的结果在VesselNet / test / result文件夹中
  • 预训练模型：也可以使用预先训练好的模型来直接预测
SIAT_啊哦
关注
  • 6
    点赞
  • 踩
  • 64
    收藏
    觉得还不错? 一键收藏
  • 34
    评论
专栏目录
keras框架下dense_unet对稻田草地分割
爱CV
06-23 1208
如图所示是图像拓展后的数据集，主要分割稻田路径。 老生长谈，搞起来！ 数据集拓展程序： import cv2 import os import numpy as np from PIL import Image # 图像混合 # file1=r"./3dcm_png" # file2=r"./2gu_label" file1=r"./image" file2=r"./mask" files=os.listdir(file1) files2=os.listdir(file2) pat.
基于级联Dense-UNet和图割的肝脏肿瘤自动分割.docx
02-23
基于级联Dense-UNet和图割的肝脏肿瘤自动分割.docx
【医学图像分割】Dense U-Net的Pytorch代码实现
goodenough5的博客
03-20 2254
dense U-Net的pytorch代码
基于改进的U-Net眼底视网膜血管分割
04-30
针对视网膜血管图像特征信息复杂程度高，现有算法存在微血管分割较低和病理信息误分割等问题，提出一种融合DenseNet和U-Net网络的血管分割模型。首先，通过限制对比度直方图均衡化和filter滤波对图像进行血管增强处理；其次，利用局部自适应gamma提升图像亮度信息并降低伪影的干扰；再次，由多尺度形态学滤波局部增强微血管特征信息；最后，利用U型密集链接模块进行分割。该算法在DRIVE数据集上实验，其平均准确率、灵敏度和特异性分别高达96.74%、81.50%和98.20%。
Unet变形——融合片间特征和片内特征的H-DenseUnet
liuestcjun的博客
11-01 1万+
我为什么阅读这篇文献？ 最近研究了一下分割领域，从经典的FCN到后来的UNET发展到现在，除了一些UNET的扩展变换之类的，在二维图像上处理已经达到了一个瓶颈，甚至出现了利用label来自动选择最小ROI再进行分割的方式，即使这样，作者也只达到了86.70±3.51的准确率，参见Yijun Liu等人的工作。而我导师总是在说这种方式没有利用到三维的连贯信息，如何利用分割的部位在空间上的连贯性是提...
Pytorch-UNet：U-Net的PyTorch实施，用于高质量图像的图像语义分割
02-20
UNet：使用PyTorch进行语义分割 在PyTorch中针对高清晰度图像针对Kaggle的自定义实施 。 该模型是从头开始训练的，具有5000张图像（无数据增强），并且在超过100k张测试图像上获得了0.988423（735中的511）的。 可以通过更多的培训，数据增强，微调，使用CRF后处理以及在蒙版边缘上施加更多权重来提高此分数。 Carvana数据可在上。 用法 注意：使用Python 3.6或更高版本 预言 训练好模型并将其保存到MODEL.pth后，您可以通过CLI轻松测试图像上的输出蒙版。 预测单个图像并保存： python predict.py -i image.jpg -o output.jpg 要预测多幅图像并显示它们而不保存它们： python predict.py -i image1.jpg image2.jpg --viz --no-save >
DenseUnet_Esophagus_Segmentation
05-31
用于食管 GTV 分割的扩张密集注意力 Unet (DDAUnet) 如果此存储库对您有所帮助，请表达您的爱意 :red_heart: 通过放置一个 :star: 在这个项目上 在这里找到手稿： : 提议的CNN 图 1- DDAUnet 网络。 结果 图 2 - DDAUnet 与其他 CNN 对来自两个不同患者的两个切片的定性比较。 2D DSC 值以黄色显示。 手动描绘和网络结果分别用绿色和红色轮廓表示。 引文 @article{yousefi2020esophageal, title={Esophageal Tumor Segmentation in CT Images using a 3D Convolutional Neural Network}, author={Yousefi, Sahar and Sokooti, Hessam and Elmahdy, Mohamed S and Lip
【论文笔记】H-DenseUNet: Hybrid Densely Connected UNet for Liver and Tumor Segmentation from CT Volumes
1
06-13 1435
H-DenseUNet: 混合密连接UNet，用于从CT中分割肝脏和肿瘤
医学肝分割论文H-DenseUnet解析
热门推荐
legend_hua的博客
07-01 1万+
1 基本说明 本文对H-DenseUnet进行了解析，包括网络结构、数据处理、训练测试过程及结果分析。 2 网络结构 网络主要有4个模块组成：ResNet轮廓粗提取、2D DenseUnet提取切片内特征、3D DenseUnet提取切片间特征、HFF层2D和3D特征融合。网络结构图如图2.1。         2D和3D的DenseUnet首先经过由DenseNet Block构成...
UNet系列网络合集
h201601060805的博客
05-07 3398
1.U-net 最初的Unet的下采样过程非常的简单。那么我们看一下他的一些变体吧 import torch import torch.nn as nn import torch.nn.functional as f class Downsample_block(nn.Module): # 这里的in_channels和out_channels 都是通道数 def __init__(self,in_channels,out_channels): super(Downsample_block,sel
EfficientUnet-PyTorch:以EfficientNet为编码器的Unet的PyTorch 1.0实现
05-05
高效的Unet-PyTorch 以EfficientNet为编码器的Unet的PyTorch 1.0实现 有用的笔记 由于解码器路径中存在一些舍入问题（不是错误，因此这是一个功能） :smirking_face: ），输入形状应可被32整除。 例如224x224是适合输入图像的尺寸，但225x225不适合。 要求 Python> = 3.6 > = 1.0.0 安装 安装efficientunet-pytorch ： pip install efficientunet-pytorch 用法 1.高效网 例如，说您想要具有5个类的预训练的efficiencynet-b5模型： from efficientunet import * model = EfficientNet . from_name ( 'efficientnet-b5' , n_classes = 5 , pretrained = True
Retinal-Vessel-Segmentation:用DenseNet在眼底镜图像中进行视网膜血管分割
05-09
Retinal Vessel Segmentation Author：zhiyu-Lin Date：2018-7-1 E-mail: Description: 眼底图像中视网膜血管的分割，数字图像处理大作业。 前言 随着近年医学设备和科技的发达，越来越多的医学图像被运用到病理诊断和医学研究当中去。其中视网膜图像是其中非常重要一类的医学图像，对于一些眼球疾病的预测和诊断有非常高的指导意义。 本篇报告讲述如何使用深度卷积神经网络对眼底图像进行视网膜分割。方法: 训练二分类分割神经网络和多分类分割神经网络（粗和细血管分二类），使用二分类网络结果图像指导增强原图像，使用多分类网络进行二次分割。结果: 实验结果表明，对于大部分眼底图像进行二次分割比一次分割得到的准确率更高，在测试集上的F1值达到0.8253。 环境 python>=3.5 pytorch==0.3.0.post4 torchvisi
Retina-Unet:眼底图像的血管分割
05-10
Retina-Unet 来源： 此代码已经针对Python3进行了优化，数据集下载： 百度网盘数据集下载： 密码：4l7v 有关代码内容讲解，请参见CSDN博客： 基于UNet的眼底图像血管分割实例： 【注意】run_training.py与run_testing.py的实际作用为了让程序在后台运行，如果运行出现错误，可以运行src目录下的训练与预测文件。
四个分割代码(包括unet,fpn,psp,linkenet,和用unet做回归)
04-17
Python代码,内涵五个网络,有安装教程(readme),网络权重.
基于改进U-Net的宫颈细胞核图像分割
05-06
原始的U-Net采用跳跃结构结合高低层的图像信息, 使得U-Net模型有良好的分割效果, 但是分割结果在宫颈细胞核边缘依然存在分割欠佳、过分割和欠分割等不足. 由此提出了改进型U-Net网络图像分割方法. 首先将稠密连接的...
Unet实现细胞分割
啊哦的博客
08-16 1万+
目的：实现细胞分割 数据集：isbi挑战赛的数据，只有30张512x512的image和label 思路: 读取数据，将数据转换成 30x512x512x1格式； 由于数据太少，所以进行数据增强；(注意：对训练数据进行增强的时候image和label增强方式要一致) 搭建模型。这里直接调用segmentation-models模块的Unet；(提前pip install segmentation...
Unet实现眼底图像血管分割（一）
啊哦的博客
09-09 6831
参考链接 上面参考链接的博主讲的很好了，我这里主要是记录一下自己复现的过程以及处理各种报错的问题。 在Rrtina-Unet-master文件夹下新建一个test文件夹（源代码没有这个test文件夹会报错） 将lib文件夹下的三个py文件里面的from xxx import xxx格式改成一致，就是说from lib.help_function xxx 的这个lib要么都有要么都没有。不然会报错...
简明代码实现Unet眼底图像血管分割
啊哦的博客
10-14 6323
项目工程文件结构如下： 参考了Retina_Unet项目，决定自己用代码来实现一遍，数据增强不是像Retina_Unet那样随机裁剪，而是将20个训练数据集按顺序裁剪，每张裁剪成48x48大小的144个patch，20张一共裁剪出2880个patch。 Unet模型：模型输入的张量形状为（Npatch,1,48,48），输出为（Npatch,2304,2）。Npatch表示训练集的样本数，本例中...
DenseNet-Attention实现四分类代码
最新发布
05-25
以下是使用DenseNet-Attention实现四分类的代码范例。这里使用的是PyTorch框架。 ```python import torch import torch.nn as nn from torchvision.models import densenet121 class DenseNet_Attention(nn.Module): def __init__(self, num_classes=4): super(DenseNet_Attention, self).__init__() self.densenet = densenet121(pretrained=True) num_ftrs = self.densenet.classifier.in_features self.densenet.classifier = nn.Linear(num_ftrs, num_classes) self.attention = nn.Sequential( nn.Conv2d(in_channels=1024, out_channels=64, kernel_size=1), nn.BatchNorm2d(64), nn.ReLU(inplace=True), nn.Conv2d(in_channels=64, out_channels=1, kernel_size=1), nn.Sigmoid() ) def forward(self, x): features = self.densenet.features(x) out = self.densenet.avgpool(features) out = torch.flatten(out, 1) out = self.densenet.classifier(out) # Attention Mechanism attention_weights = self.attention(features) out = out * attention_weights out = torch.sum(out, dim=(2,3)) / torch.sum(attention_weights, dim=(2,3)) return out ``` 这里使用了DenseNet-121网络作为基础模型，并添加了一个注意力机制来提高模型的性能。注意力机制的实现是一个简单的卷积神经网络，其输出的权重将与分类器的输出相乘，以获得最终的分类结果。模型的输出是一个四元组，每个元素对应一个类别的概率。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 34
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值