基于 EfficientUnet 实现的超声心脏图像分割实验

1、EfficientUnet

EfficientUNet是一种基于U-Net网络结构的图像分割模型。它是由对计算资源使用高度高效的网络模块EfficientNet和经典的U-Net结构组合而成的。

EfficientNet是一种用于图像分类任务的高效网络结构，它通过使用复合系数来平衡深度、宽度和分辨率的扩展，以在计算资源有限的情况下获得更好的性能。EfficientNet使用轻量级的网络结构和深度优化技术，使得在计算资源受限的设备上也能够获得接近于最先进模型的精度。

U-Net是一种经典的图像分割网络结构，它采用编码器-解码器结构，通过级联的卷积和上采样操作实现图像分割。U-Net具有较强的特征提取和上下文信息传递能力，适用于各种图像分割任务。

EfficientUNet结合了EfficientNet和U-Net的优点，既能够使用EfficientNet的高效计算特性，又能够利用U-Net的强大的特征提取和上下文信息传递能力。它能够在计算资源受限的情况下实现较好的图像分割性能，同时具有更高的计算效率。

EfficientUNet在医学影像分割、自然图像分割等领域具有广泛的应用，可以用于目标检测、语义分割、实例分割等任务。它是一种高效且性能优越的图像分割模型。

• 增加网络的深度depth能够得到更加丰富、复杂的特征并且能够很好的应用到其它任务中。但网络的深度过深会面临梯度消失，训练困难的问题。

• 增加网络的width能够获得更高细粒度的特征并且也更容易训练，但对于width很大而深度较浅的网络往往很难学习到更深层次的特征。

• 增加输入网络的图像分辨率能够潜在得获得更高细粒度的特征模板，但对于非常高的输入分辨率，准确率的增益也会减小。并且大分辨率图像会增加计算量。

在EfficientUnet结构中，作者给出了7种结构

网络结构如下

详细参数如下：

2、超声心脏数据集

数据集为：超声心脏数据集，对左心室心内膜，左心室心外膜，左心房进行分割

因为原始数据集为nii.gz的3d格式，这里进行了2d的切片，通过resize成256*256、数据增强等措施后，数据集的效果如下：

其中训练集和验证集的个数为：3568和1529，图片格式为png，mask的灰度值为0 1 2 3

3、训练

网络训练了100个epoch，训练过程如下：

完整的项目下载：基于EfficientUnet对超声心脏图像分割（左心室心内膜，左心室心外膜，左心房）资源-CSDN文库

更多unet、transUnet、SwinUnet、MobileUnet、sam+unet改进等等，可以参考本专栏：

图像分割_听风吹等浪起的博客-CSDN博客

4、结果分析

生成的结果保存在runs目录下

loss和iou曲线： 

训练集的指标为：

epoch:99
precision: ['0.9937', '0.9667', '0.9358', '0.9597']
recall: ['0.9939', '0.9658', '0.9358', '0.9585']
iou: ['0.9876', '0.9347', '0.8793', '0.9214']
dice: ['0.9938', '0.9663', '0.9358', '0.9591']
mean precision: 0.9640,mean recall: 0.9635,mean dice: 0.9637,mean iou: 0.9308

epoch:100
precision: ['0.9937', '0.9670', '0.9359', '0.9602']
recall: ['0.9939', '0.9659', '0.9363', '0.9581']
iou: ['0.9877', '0.9351', '0.8799', '0.9215']
dice: ['0.9938', '0.9665', '0.9361', '0.9592']
mean precision: 0.9642,mean recall: 0.9635,mean dice: 0.9639,mean iou: 0.9310

验证集的指标：

epoch:99
precision: ['0.9925', '0.9646', '0.9256', '0.9565']
recall: ['0.9931', '0.9601', '0.9291', '0.9488']
iou: ['0.9857', '0.9274', '0.8646', '0.9096']
dice: ['0.9928', '0.9623', '0.9274', '0.9527']
mean precision: 0.9598,mean recall: 0.9578,mean dice: 0.9588,mean iou: 0.9218

epoch:100
precision: ['0.9927', '0.9635', '0.9257', '0.9557']
recall: ['0.9930', '0.9610', '0.9288', '0.9502']
iou: ['0.9857', '0.9273', '0.8643', '0.9102']
dice: ['0.9928', '0.9623', '0.9272', '0.9530']
mean precision: 0.9594,mean recall: 0.9583,mean dice: 0.9588,mean iou: 0.9219

5、指标曲线

根据上述的指标，可以生成对应的曲线，如下：

dice：

iou：

precision：

recall：

6、推理

推理的时候，传入图片路径即可：

mask为：