UNETR训练BTCV中的abdomen数据集

最新推荐文章于 2025-03-28 10:25:41 发布
最新推荐文章于 2025-03-28 10:25:41 发布
阅读量736 收藏 2
点赞数 2
文章标签： 人工智能 深度学习 图像处理
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/m0_74031986/article/details/137025987
版权
本文介绍了一种利用Transformer技术对体积医学图像进行分割的方法，通过将3Dpatches编码并结合CNN解码器，同时使用线性层和位置嵌入保留空间信息。经过大量训练后，通过图像增强预处理，测试集性能得到了显著提高。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

论文出处：

模型创新点：

用Transformers的能力进行体积医学图像分割 直接利用3D patches的Transformer编码器组成，并通过跳跃连接到一个基于卷积神经网络(CNN)的解码器

编码器创建一个三维输入（h×W×D×C）的一维序列，通过将其划分为flatten的相同大小的非重叠图片块。使用一个线性层将平面化的图片块投影到一个K维嵌入空间中，该空间在整个transformer中保持不变。此外，为了保留所提取的图片块的空间信息，在投影图片块上加入一个一维可学习的位置嵌入，具体的学习位置可见ViT。位置如下

经过4个encoder  5个decoder

跑了5000轮每轮24个批次

预处理上 我在data__untils文件 中加入了图像增强 最后的测试集dic提高了0.03

测试集训练结果：

ngW_xuan
关注
医疗影像分割 | 使用 Swin UNETR 训练自己的数据集（3D医疗影像分割教程）
LiRongLu_的博客
02-11 816
在Github上下载代码，然后进入SWINUNETR，选择第三个文件夹的内容进行操作，前两个是针对两个数据集（这些文件包含了数据集的路径和标签信息。示例 JSON 格式（例如。首先，写一个自己数据集的json文件，你需要为不同的数据集准备 JSON 文件（例如。点击这个link就可以下载了。现在一切准备就绪，开始训练！
医学图像分割数据：腹部14器官切片分割（BTCV）【包含3个切面的切片数据、标签文件、可视化代码】
06-13
项目包含：腹部14器官切片分割（BTCV）【包含3个切面的切片数据、标签文件、可视化代码】 【其中mask中、0为背景，0. 背景 1. 脾脏 2. 右肾 3. 左肾 4. 胆囊 5. 食道 6. 肝脏 7. 胃 8. 主动脉 9. 下腔静脉 10. 门静脉和脾静脉 11. 胰腺 12 右肾上腺 13 左肾上腺】 数据集：BTCV切片数据，分别从轴位面（横端面）、冠状面、矢状面切分出2D图像。为了方便分割，这里切片的时候去除了ROI区域不足3%的数据。对源数据CT图像进行了对比度拉伸（windowing方法），并全部缩放为512*512大小。为了方便观察mask，提供了可视化代码（show.py） 数据集介绍：分为x、y、z轴的切面图像 x轴：images图片目录+masks模板目录，1141张图片和1141个对应的mask图片 y轴：images图片目录+masks模板目录，5691张图片和5691个对应的mask图片 z轴：images图片目录+masks模板目录，6811张图片和6811个对应的mask图片
OMG！12个腹部CT公开数据集，肝肾胰脾胃肠肠肚肚全都有
zzjlhlcd的博客
03-12 824
在医学研究和临床实践中，高质量的影像数据集是不可或缺的宝贵资源。今天介绍12个公开可用的腹部影像数据集。1 BTCV数据集数据概述：从一项正在进行的结肠直肠癌化疗试验和一项回顾性腹疝研究中随机选择了 50 张腹部 CT 扫描。两名经验丰富的本科生手动标记了 13 个腹部器官，并由放射科医生使用MIPAV软件以体积为基础进行验证数据量：50个CT volume数据类型：门静脉期CT体积：512 x 512 x 85 - 512 x 512 x 198。
AbdomenAtlas：构建多器官精确分割的大型数据集
gitblog_00606的博客
03-28 892
AbdomenAtlas：构建多器官精确分割的大型数据集 AbdomenAtlas [NeurIPS 2023] AbdomenAtlas 1.0 (5,195 CT volumes plus nine classes) 项目地址...
MIA 2024 | AbdomenAtlas：一个大规模、详细注释和多中心的数据集，用于高效迁移学习和开放算法基准测试
小白学视觉
02-16 892
我们介绍了迄今为止最大的腹部CT数据集（称为AbdomenAtlas），包含来自112家医院的20,460个三维CT体积，涵盖了不同人群、地理区域和设施。AbdomenAtlas提供了673,000个高质量的腹部区域解剖结构掩码，这些掩码由10名放射科医生在AI算法的帮助下进行注释。我们首先由专家放射科医生手动注释了5,246个CT体积中的22个解剖结构。随后，对剩余的CT体积进行了半自动注释程序，放射科医生修订了AI预测的注释，而AI则通过学习修订后的注释来改进其预测。
计算机视觉著名数据集CV Datasets
无名山丘，崛起成峰
07-05 9707
Detection PASCAL VOC 2009 datasetClassification/Detection Competitions, Segmentation Competition, Person Layout Taster Competition datasetsLabelMe datasetLabelMe is a web-based image annotation too
数据集 | 基于计算机视觉的开源医学影像处理数据集
weixin_44649780的博客
10-15 1万+
计算机视觉分支-医学影响相关数据集概况。
Nvidia力作：医学图像分割网络
学姐带你玩AI的博客
12-08 4445
一份从下载数据集到搭建网络训练医学任务的完整攻略。
基于 DenseUnet 对腹部14器官的分割实战【包含代码+数据集+训练结果】
06-13
1.train 脚本会生成训练集、验证集的loss、iou曲线、学习率衰减曲线、训练日志、数据集可视化图像等等 2.evaluate 验证脚本用于评估模型，计算测试集的iou、recall、precision、像素准确率等等 3.predice 脚本用于...
btcv数据集
03-20
### BTCV 数据集概述 BTCV（Body TiCk Volume）数据集是一个专门用于腹部CT图像多器官分割的任务集合。该数据集提供了高质量的标注，涵盖了多个腹部器官，因此成为多器官自动分割技术的重要测试平台[^3]。 #### ...
基于MONAI框架UNet网络进行KiTS19数据集中的医学CT图像分割任务python源码+项目说明+数据.zip
04-09
+ **任务**：使用MONAI框架中的UNet网络完成KiTS19数据集的肾脏和肿瘤分割任务。 + MONAI框架中提供了UNet、UNetr等网络的实现，只需要直接引入网络进行训练就可以。 ...... #### 文件描述 + **UNet**：原始代码和...
医学图像分割论文学习：WORD：基于CT图像的腹部器官分割的大规模数据集，基准和临床应用研究（2022）
qq_49603002的博客
04-21 6407
腹部器官分割是腹部疾病诊断、癌症治疗和放射治疗计划的基本和基本任务（Tang 等人，2019年）。准确的分割结果可以为临床诊断和随访提供有价值的信息，如器官大小、位置、边界状态、多个器官的空间关系等。此外，器官分割在临床治疗中起着至关重要的作用，尤其是在基于放射治疗的癌症和肿瘤治疗中（Chen 等人，2021b准确分割有风险的器官可以减轻对癌症区域附近健康器官的潜在影响。然而，在临床实践中，器官分割通常由放射肿瘤学家或放射科医生手动执行。它既耗时又容易出错，需要注释员。
用于医学图像分析的MAE掩码自编码器(速读版)
weixin_51697828的博客
08-29 1537
在本文中，我们证明了MAE预训练可以改善医学图像分类和分割任务的结果。MAEself pre-training在小数据集上优于现有的方法，包括ImageNet迁移学习方法。此外，我们还证明了MAE在CT和MRI医学图像上的有效性，这是以前从未探索过的。总之，MAE可以进一步改善ViT在医学图像分析任务中的性能。......
13个医学图像 AI 入门项目- 都跑完你就超神了！
热门推荐
Tina姐的博客
08-26 1万+
本文介绍 MONAI 框架提供的 医学图像方面的教程，基本包括医学图像处理AI方向的各个领域，并且每个教程都是可以跑的通的！可以作为入门的第一项目。 主要内容如下 文章目录1 二维分类2 二维分割3 三维分类4 三维分割4.1 ignite 版本4.2 torch 版本4.3 BRATS 脑肿瘤多标签三维分割4.4 CT Spleen 脾脏分割4.5 COVID 19-20 挑战赛4.6 btcv 使用transformer分割腹部多器官5 二维配准6 三维配准7 Autoencoder 自编码器8 GAN
[CVPR2022] 用于 3D 医学图像分析的 Swin Transformers 的自监督预训练
weixin_44832243的博客
05-14 1万+
Vision Transformer(ViT)在全局和局部表示的自监督学习方面表现出了出色的性能，这些表示它可以转移到下游任务的应用中。提出模型：提出一种新的自监督学习框架Swin UNETR，它具有定制的代理任务，用于医学图像分析。模型介绍：(1)一种新的基于3D变压器的模型，称为Swin UNEt Transformer (Swin UNETR)，具有用于自我监督前训练的分层编码器;(2)为学习人体解剖学的基本模式定制代理任务。
AbdomenCT-1K: Is Abdominal Organ Segmentation A Solved Problem?
fanre的专栏
08-11 4530
https://arxiv.org/abs/2010.14808 https://github.com/JunMa11/AbdomenCT-1K AbdomenCT-1K: Is Abdominal Organ Segmentation A Solved Problem? 摘要： 在许多基准数据集上，看起来腹部主要器官的自动分割已经解决了。但实际上现有的腹部基准数据集都只包含single-center、single-phase、single-vendor、或single-disease，其他情..
Dataset
【学渣的奋斗之路】
05-13 3072
·ShapeNetPart dataset https://shapenet.cs.stanford.edu/ericyi/shapenetcore_partanno_segmentation_benchmark_v0.zip ·ShapeNetPart dataset (XYZ, normal and part labels) https://shapenet.cs.stanford...
Automatic Multi-Organ SegmVentation on Abdominal CT With Dense V-Networks
Acmer_future_victor的博客
10-10 1248
Automatic Multi-Organ Segmentation on Abdominal CT With Dense V-Networks Abstract 腹部解剖在CT图像上的自动分割可以支持诊断、治疗计划和治疗提供流程，分割方法基于统计模型和多图谱标签融合(MALF)需要对象间图像配准，这对腹部图像来说是具有挑战性的，但是对于大多数腹部器官，没有配准的替代方法还没有达到更高的准确率。我们提出了一种基于深度学习的无配准分割算法，对内窥镜胰腺和胆道手术中与诊断相关的8个器官，包括胰腺、胃肠道(食道
BTCV数据集标签处理
最新发布
04-03
### 如何处理 BTCV 数据集的标签 BTCV 数据集是一个专门用于多器官分割的任务挑战数据集，其标签包含了多种腹部器官的标注信息。为了有效处理这些标签，在实际应用中通常会遵循以下几种常见方法： #### 1. **理解标签结构** BTCV 数据集中的标签通常是三维数组形式存储，其中每个像素/体素对应一个特定类别的编号。具体类别及其对应的数值可以参考官方文档或相关研究论文[^1]。例如： - 背景 (Background): 值为 `0`。 - 不同器官分别分配唯一的整数 ID。 这些标签可以直接加载并可视化以便确认其分布情况。 #### 2. **预处理标签** 在模型训练之前，可能需要对原始标签进行一些必要的转换操作，比如重映射某些类别或将不需要的部分设置为背景。以下是常见的预处理步骤： - **重新定义类别**: 如果只关注部分器官，则可以通过简单的逻辑运算来过滤掉其他无关类别。例如，假设我们仅关心肝脏和肾脏两类器官，那么可以编写如下 Python 代码实现这一目标: ```python import numpy as np def filter_labels(label_array, target_classes=[1, 2]): """ 将输入 label 数组中的非目标类别设为背景 """ filtered_label = np.zeros_like(label_array) for cls in target_classes: filtered_label[label_array == cls] = cls return filtered_label ``` - **平滑边界**: 对于噪声较多或者边缘模糊的情况，可采用形态学操作（如腐蚀、膨胀）以及高斯滤波等方式改善标签质量[^2]: ```python from scipy.ndimage import gaussian_filter smoothed_label = gaussian_filter(label_array.astype(float), sigma=1).astype(int) ``` #### 3. **增强数据一致性** 当不同扫描设备采集的数据存在差异时，可能会导致同一类型的组织表现不一致。此时可通过标准化手段减少这种影响: - 归一化强度范围至固定区间 `[min_val, max_val]`; - 应用直方图匹配技术使各批次间统计特性更加接近. #### 4. **验证与调试** 完成上述所有准备工作之后，务必仔细检查最终得到的结果是否符合预期。借助工具库 matplotlib 或者 ITK-SNAP 可直观展示图像叠加效果从而判断准确性。 ```python import matplotlib.pyplot as plt def visualize_overlay(image_slice, mask_slice): fig, ax = plt.subplots() ax.imshow(image_slice, cmap='gray', alpha=.7) ax.contour(mask_slice>0, colors=['red'], linewidths=1) plt.show() visualize_overlay(original_image[:, :, slice_idx], processed_mask[:, :, slice_idx]) ``` 通过以上介绍的方法论框架能够较为系统地解决关于如何高效合理地对待来自 BTCV 的 ground truth information 所面临的一系列问题.
评论 4
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