[论文阅读]KiTS(肾脏肿瘤分割挑战赛)2019第一名解决方案----An attempt at beating the 3D U-Net

最新推荐文章于 2024-04-30 02:43:07 发布
最新推荐文章于 2024-04-30 02:43:07 发布
阅读量3.3k 收藏 14
点赞数 3
分类专栏： 医学图像分割
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/gefeng1209/article/details/102749280
版权

预处理方法

1.重采样

KiTS数据集的图像spacing是不相同的，卷积神经网络没有办法解释体素间距，因此需要通过重采样将所有图像的体素spacing统一到一个公共的值，文章的target spacing=3.22*1.62*1.62，对应的图像shape=128*248*248

2.强度裁剪

当从不同的扫描仪或医院扫描同一器官时，期望同一器官的强度值是相同的。这个属性经常被用来设置一个水平窗口，窗口内的强度被裁剪到某个特定的器官的强度值，强度裁剪后，每个case的强度值范围是[-79,304]，然后再减去101,之后再除以76.9，使得强度值范围更易被CNN处理

网络结构

基本还是3D UNet的结构，些许改动


网络训练

  • SGD
  • patch size=80*160*160
  • batch size=2，每个epoch205个batch迭代，训练1000个epoch
  • 损失函数：cross-entropy loss+dice loss
  • 数据增强：放缩+旋转+亮度变化+对比度变化+gamma和高斯噪声
gefeng1209
关注
  • 3
    点赞
  • 踩
  • 14
    收藏
    觉得还不错? 一键收藏
  • 2
    评论
专栏目录
《An attempt at beating the 3D U-Net》 2019
sdusgq的博客
01-02 954
一、Abstract二、Method三、References四、Code 一、Abstract The U-Net is arguably the most successful segmentation architecture in the medical domain. Here we apply a 3D U-Net to the 2019 Kidney and Kidney Tumor Segmentation Challenge and attempt to improve upon it by
kits19:2019年肾脏和肾脏肿瘤分割挑战赛的官方资料库
04-29
KiTS19 官方的存储库。 注意：此挑战的2021年迭代正在进行中！ （未完成） 用法 要获取此挑战的数据，请克隆该存储库（约500MB），然后运行get_imaging.py 。 例如 git clone https://github.com/neheller/kits19 cd kits19 pip3 install -r requirements.txt python3 -m starter_code.get_imaging 这将从单独的源下载更大，更大的静态图像文件。 然后， data/目录的结构应如下所示 data ├── case_00000 | ├── imaging.nii.gz | └── segmentation.nii.gz ├── case_00001 | ├── imaging.nii.gz | └── segmentation.nii.g
nnUnet肾脏肿瘤分割实战(KiTS19)(1)
最新发布
2401_84182665的博客
04-30 457
nnUNet_predict -i INPUT_FOLDER -o OUTPUT_FOLDER -t TASK_NAME_OR_ID -m CONFIGURATION --save_npz # 格式。# 输出目录：‘/root/data/nnUNet_raw_data_base/nnUNet_cropped_data/Task040_KiTS’执行完毕，文件名中的case被批量替换为prediction。nnUNet_preprocessed文件夹下。
An attempt at beating the 3D U-Net
fanqiliang630的博客
11-12 998
参考论文： 《An attempt at beating the 3D U-Net》 1. 实现的网络 3D plain U-Net residual 3D U-Net pre-acitvation residual 3D U-Net Identity mappings in deep residual networks.md 这里逆卷积没有标识size，根据公式可以推出：stride=2, padding=0, kernel=(2, 2, 2) ...
打破平庸(Beating The Averages)
zhang_qxian的专栏
12-08 645
不要甘于平庸，要做超越平均水平的人
使用nnUNet训练肾脏肿瘤分割数据集KiTS19（仅用于记录）
u010684651的博客
09-03 1437
仅用于记录自己使用nnUNet的过程
matlab图像分割肿瘤代码-kits21:2021年肾脏和肾脏肿瘤分割挑战赛的官方资料库
05-22
2021年肾脏和肾脏肿瘤分割挑战赛的官方资料库 当前数据集版本： 1.0.3 （请参阅1.0.3 ） 时间线 3月1日至7月1日：培训数据的注释，发布和完善（正在进行中） 8月9日：投稿截止日期和论文要求 8月16日至30日：已接受...
interview-preparation-kit:hackerrank 解决方案面试准备工具包
05-31
用C++、Java、Python和Javascript在HackerRank和Interviewbit上解决所有问题。 问题已解决 黑客等级 话题 问题 CPP Java Python JavaScript 热身挑战 完毕 完毕 完毕 重复的字符串 完毕 完毕 完毕 完毕 数组 数组...
Java-Development-Kits-Collections.zip_gwt-console-rpc.jar_mchang
09-22
该文件集合了几乎所有Java实际开发中会使用到的Java开发文档，收集到这些很不容易。
flutter-ui-kits:Olayemi Garuba开发的免费Flutter UI套件
03-07
:fire: :fire: 惊人的免费Flutter UI套件 :fire: :fire: :dizzy: :star: :star: :man::laptop: 基于UpLabs设计的免费Flutter UI套件 :beating_heart: 。 Repo将每天使用新的精美UI套件进行更新。 我的上提供了完整的...
Literature reviews of top KiTS19
qq_37735698的博客
11-22 657
Datasets: C4KC-KiTS19 与MICCAI19合办；可靠的肾脏和肾脏肿瘤语义分割；open on github; downloaded(脚本运行过程中有卡顿或有case的image不完整) 数据集：共300例CT（10-18） in NIFTI，接受部分或彻底肾切除术的独特肾癌患者的动脉期腹部CT扫描生成了ground truth。其中210例训练，90例test。 注：数据标注是医学学生临床医师的指导下进行的，在过程掺杂了简单线性插值。fat标签的划分源于高斯模糊和阈值分割。mo.
【医学图像分割】KiTS19 肾脏肿瘤原始图像image数据集获取方法踩雷
m0_52451635的博客
11-30 3744
【医学图像分割】KiTS19 肾脏肿瘤原始图像image数据集获取方法踩雷 获取KiTS19 肾脏肿瘤分割数据集时候，官网https://kits19.grand-challenge.org/ 上的git仓库中https://github.com/neheller/kits19提供了一部分数据集，这部分数据集是已经分割过的数据，如下，这是分割过的,但是还缺少原始图像的数据集 这部分数据是imaging.nii.gz， 获取imaging.nii.gz有两种方法，第一种是按照官网给的方法https://gi
KITS+肾脏肿瘤预处理+重采样+窗体变换+强度裁剪
h201601060805的博客
10-21 2179
摘要 目前正在做肾脏肿瘤的预处理问题，比赛地址。 KiTS19 年比赛的 结果。 JunMa大佬在自己的知乎里面给出了自己的看法和对于论文的学习与展望。 我最近正在解决数据预处理的问题，论文的数据预处理分为了重采样，spacing 到 3.22mmx1.62mmx1.62mm，然后将灰度值cut off到[-79,304],然后将cut off 之后的数据进行z-score（subtract 101 and divide by 76.9 to bring the intensity values in a
【图像分割】KiTS19 肾脏肿瘤分割数据集获取方法
lynnhgwang的博客
04-15 6385
比赛官网：KiTS19 Challenge Homepage 数据集下载方法 1. 找到官方提供的项目的github地址 2. 将该项目clone或者下载本地。 data目录下就是数据集300个标签数据，但没有原图数据。 根据README的提示，需要运行项目进行原图数据的获取。 我在命令行里面运行了该项目，发现数据下载的速度非常缓慢，并且有些数据只能下载一部分。 解决.........
3D segmentation(肾分割)用到的一些功能包
u014264373的博客
09-23 431
1.np.bincount（x, weights=None, minlength=None） 贴个博客链接：https://blog.csdn.net/xlinsist/article/details/51346523 解释的很清楚。这里我简单解释一下 作用：求array中值得个数。适用于求分割prediction中各类的像素数。比如三分类，那么在prediction中的值就为0，1，2。 该函数可以求出0有多少像素，1有多少像素，2有多少像素。 示例： import numpy as np.
（KiTS19-肾肿瘤分割挑战赛——第七名）Multi Scale Supervised 3D U-Net for Kidney and Tumor Segmentation
hu_wei123的博客
10-14 526
U-Net在各种医学图像分割挑战中取得了巨大成功。一些新的、带有花里胡哨功能的架构可能在某些数据集中在使用最佳超参数时取得成功，但它们的泛化性能无法保证。在这项工作中，我们专注于基本的U-Net架构，并提出了一种多尺度监督的3D U-Net，用于KiTS19挑战中的分割任务。为了提高性能，我们的工作可以总结为三个方面：首先，在解码器路径中使用多尺度监督，可以鼓励网络从深层预测正确的结果；其次，为了缓解肾脏和肿瘤样本不平衡的不良影响，我们采用了指数对数损失；第三，设计了一种基于连通组件的后处理方法。
一文实现nnUNet v2 分割肾脏肿瘤数据集KiTS19
xin_yan_tang的博客
08-05 1372
nnUNet v2实现KiTS分割
nn-UNet使用记录--开箱即用
weixin_44858814的博客
04-28 6919
nn-UNet使用记录–开箱即用 nnunet项目官方地址 MIC-DKFZ/nnUNet (github.com) 使用nnunet之前，建议先阅读两篇论文 nnU-Net: Self-adapting Framework for U-Net-Based Medical Image Segmentation nnU-Net: a self-configuring method for deep learning-based biomedical image segmentation 本文使用vscode
一文实现nnUNet v2 分割肾脏肿瘤数据集KiTS19_kits19数据集
2401_84164649的博客
04-17 968
在nnUNet_raw文件中，新建文件夹Dataset040_KiTS。然后在dataset_conversion文件中，新建一个py文件，用来生成对KiTS数据集做出描述的json文件dataset。然后在dataset中，新建四个文件夹如下图所示，其中后三个用来存储nnunet数据和结果。结构化处理的结果是在nnUNet_raw/Dataset040_KiTS文件下，生成四个文件。分别是，训练数据（应该是210条），测试数据（90），训练标签(210)，数据说明。在下载好数据以后，对数据进行处理。
图像分割-肾脏的miccai竞赛数据集有哪一些
02-03
MICCAI竞赛数据集中包含了多个用于肾脏图像分割的数据集。其中包括了来自不同来源和不同分辨率的肾脏CT和MRI影像数据。这些数据集可以用于评估和比较不同肾脏图像分割算法的性能。 其中包括了KiTS数据集，该数据集包括了来自肾脏肿瘤实例分割挑战的120个CT扫描，这些扫描是经过专业标注的。此外，还有一个类似的数据集叫做KiTS19，它包括了来自多个医疗中心的210个CT扫描，用于进行肾脏肿瘤的分割和定位。 此外，还有一个数据集叫做Koln数据集，该数据集包括了来自肾脏CT扫描的99个三维图像数据，可用于进行肾脏的分割。此外，还有一个叫做3DIRCADb数据集，它包括了来自三维腹部CT扫描的20个病例，其中包括了肾脏的图像数据，用于肾脏器官的分割。 以上这些数据集都是MICCAI竞赛中用于肾脏图像分割的常用数据集，它们包含了丰富的多模态、多尺度的肾脏影像数据，为图像分割算法的研究和评估提供了重要的数据基础。

“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 2
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