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:
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: