使用nnUNet训练肾脏肿瘤分割数据集KiTS19（仅用于记录）

最新推荐文章于 2024-04-17 23:12:08 发布
最新推荐文章于 2024-04-17 23:12:08 发布
阅读量1.4k 收藏 3
点赞数
分类专栏： pytorch nnUNet 文章标签： 深度学习 人工智能
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/u010684651/article/details/126681891
版权

按照nnUNet官方下载配置好

准备好KiTS19数据，任务id设为40

1. 运行nnunet/dataset_conversion下的Task040_KiTS.py, 需要对Json的写入文件名进行修改，加上_0000。

其中base为存放KiTS19数据的本地路径，out为nnUNet_raw/nnUNet_raw_data/Task40_KiTS

生成如下文件夹imageTr, imageTs, labelTr， 以及dataset.json

2.  运行nnUNet_convert_decathlon_task -i /xxx/Task040_KiTS （上面新生成的路径，任务id会变成三位数）

3. 运行nnUNet_plan_and_preprocess -t 40 (40为任务id)

会生成一些用于训练的pkl配置文件，以及对数据进行预处理。 batch_size默认大小为2，可以在pkl文件中修改batch_size

4. 开始train

麻辣水煮鱼鱼鱼鱼
关注
  • 0
    点赞
  • 踩
  • 3
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
专栏目录
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
KiTS 医学图像分割数据集
01-03
KiTS21 作为第二届 KiTS 挑战赛，相比 KiTS19 仅分割肾脏和肿瘤，KiTS21 新增了囊肿的分割，这三类分割被进一步在 KiTS23 中延用。KiTS21 数据包括 300 例公开的训练数据和 100 例不公开的测试数据，其中训练数据...
（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
10-14 467
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。
【基于pyAudioKits的Python音频信号处理项目（二）】深度学习语音识别
weixin_43441742的博客
08-01 1786
本节介绍一个使用pyAudioKits读取并提取音频特征，然后使用深度学习方法来进行语音识别的小项目。我们将提取梅尔频谱作为特征，用Keras+Tensorflow来搭建一个简单的卷积神经网络分类器，实现0-9这十个语音数字的识别。......
一文实现nnUNet v2 分割肾脏肿瘤数据集KiTS19_kits19数据集
最新发布
2401_84164649的博客
04-17 908
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。
医学分割综述 MedISeg（tricks，challenges and future directions）
qq_45807235的博客
10-29 1277
医学图像分割综述 MedISeg（tricks，challenges and future directions）MedISeg方面的内容通常侧重于主要贡献的介绍（例如，网络架构、训练策略和损失函数），而无意中忽略了一些边缘实现细节（也称为“技巧”），从而导致潜在的问题不公平的实验结果比较。在本文中，我们针对不同的模型实现阶段（即预训练模型、数据预处理、数据增强、模型实现、模型推理和结果后处理）收集了一系列MedISeg技巧，并通过实验探索其有效性这些技巧在一致的基线模型上。
【图像分割】KiTS19 肾脏肿瘤分割数据集获取方法
lynnhgwang的博客
04-15 6283
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.........
nn-UNet使用记录--开箱即用
weixin_44858814的博客
04-28 6777
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
xin_yan_tang的博客
08-05 1259
nnUNet v2实现KiTS分割
MC-Net: multi-scale context-attention network for medical CT image segmentation
Acmer_future_victor的博客
11-15 3252
MC-Net: multi-scale context-attention network for medical CT image segmentation 期刊：Applied Intelligence 时间：2021年 中科院SCI期刊分区：3区 Abstract 编解码器CNN结构在很大程度上改善了CT医学图像分割，但由于编码过程中细节的丢失而遇到了瓶颈，限制了准确率的提高。为了解决这个问题，我们提出了一种多尺度上下文注意网络(MC-Net)。其关键思想是探索跨多个尺度的有用信息以及分割医学
[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
gefeng1209的博客
10-26 3255
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...
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...
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...
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 2109
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
KITTI数据集简介与使用
热门推荐
小白学视觉
07-06 1万+
点击上方“小白学视觉”，选择加"星标"或“置顶”重磅干货，第一时间送达摘要：本文融合了Are we ready for Autonomous Driving? The KITTI Vision Benchmark Suite和Vision meets Robotics: The KITTI Dataset两篇论文的内容，主要介绍KITTI数据集概述，数据采集平台，数据集详...
Literature reviews of top KiTS19
qq_37735698的博客
11-22 647
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.
nnUnet肾脏肿瘤分割实战(KiTS19)
weixin_44858814的博客
05-05 9134
nnUnet肾脏肿瘤分割实战 KiTS19 Challenge Homepage nnunet项目官方地址 MIC-DKFZ/nnUNet 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
nnUNet v2和v1版本在dataset.json的区别（KiTS19数据集）
xin_yan_tang的博客
08-05 612
nnUNet v2和v1版本在dataset.json文件上的区别
图像分割-肾脏的miccai竞赛数据集有哪一些
02-03
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...

“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 1
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