DL00198-基于3DUnet的脑肿瘤语义分割完整代码+数据集含输出结果

完整代码+数据集见文末

 3DUNet是一种卷积神经网络（CNN），专为处理3D图像而设计。它基于U-Net架构，是一种对称的卷积网络，具有上采样和下采样的过程。PyTorch 3DUNet在U-Net的基础上添加了更多的卷积层和跳跃连接，以便更好地捕捉图像的上下文信息。它可以在训练时动态地建立记忆网络，从而有效地处理3D图像数据。

1.数据集

所有多模态扫描均以NIfTI文件(.nii.gz)形式提供，并描述了a)原生(T1)和b)对比后T1加权(T1Gd)， c) T2加权(T2)和d) T2液体衰减反转恢复(T2- flair)体积，这些扫描是通过不同的临床方案和来自多个(n=19)机构的不同扫描仪获得的，这里提到的数据提供者。

所有的影像数据集都由1 ~ 4名评分者按照相同的注释协议手动分割，并且他们的注释得到了有经验的神经放射科医生的认可。注释包括gd增强肿瘤(ET -标签4)、瘤周水肿(ED -标签2)和坏死和非增强肿瘤核心(NCR/NET -标签1)，如BraTS 2012-2013 TMI论文和最新的BraTS综述论文所述。所提供的数据经过预处理后进行分发，即共同注册到相同的解剖模板，插值到相同的分辨率(1 mm^3)和剥去颅骨。

2.模型

class UNet3d(nn.Module):
    def __init__(self, in_channels, n_classes, n_channels):
        super().__init__()
        self.in_channels = in_channels
        self.n_classes = n_classes
        self.n_channels = n_channels

        self.conv = DoubleConv(in_channels, n_channels)
        self.enc1 = Down(n_channels, 2 * n_channels)
        self.enc2 = Down(2 * n_channels, 4 * n_channels)
        self.enc3 = Down(4 * n_channels, 8 * n_channels)
        self.enc4 = Down(8 * n_channels, 8 * n_channels)

        self.dec1 = Up(16 * n_channels, 4 * n_channels)
        self.dec2 = Up(8 * n_channels, 2 * n_channels)
        self.dec3 = Up(4 * n_channels, n_channels)
        self.dec4 = Up(2 * n_channels, n_channels)
        self.out = Out(n_channels, n_classes)

    def forward(self, x):
        x1 = self.conv(x)
        x2 = self.enc1(x1)
        x3 = self.enc2(x2)
        x4 = self.enc3(x3)
        x5 = self.enc4(x4)

        mask = self.dec1(x5, x4)
        mask = self.dec2(mask, x3)
        mask = self.dec3(mask, x2)
        mask = self.dec4(mask, x1)
        mask = self.out(mask)
        return mask

3 部分效果展示

 

 

完整链接

DL00198-基于3DUnet的脑肿瘤语义分割完整代码+数据集含输出结果