PyTorch：Unet网络实现脑肿瘤图像分割

最新推荐文章于 2024-07-24 17:50:57 发布

Robin Long 2018

最新推荐文章于 2024-07-24 17:50:57 发布

阅读量1w

点赞数 5

分类专栏： PyTorch 文章标签： pytorch 图像分割

本文链接：https://blog.csdn.net/u013419318/article/details/102721034

版权

本文介绍了使用PyTorch实现的U-Net网络在脑肿瘤图像分割的应用。U-Net是一种适合小数据集的快速且效果良好的生物医学图像分割模型。文章提供了源代码，包括网络结构、数据集准备和训练测试过程，并展示了部分分割效果图。

摘要由CSDN通过智能技术生成

1 介绍

U-Net是一篇基本结构非常好的论文，主要是针对生物医学图片的分割，而且，在今后的许多对医学图像的分割网络中，很大一部分会采取U-Net作为网络的主干。相对于当年的，在EM segmentation challenge at ISBI 2012上做到比当时的best更好。而且速度也非常的快。其有一个很好的优点，就是在小数据集上也是能做得比较好的。就比如EM 2012这个数据集就只是30个果蝇第一龄幼虫腹侧神经所索的连续部分透射电子显微镜图。

本文主要利用pytorch实现了U-Net网络的脑肿瘤分割，并展示了部分分割效果图。希望对你有所帮助！

2 源代码

（1）网络结构代码

import torch.nn as nn
import torch
from torch import autograd

class DoubleConv(nn.Module):
    def __init__(self, in_ch, out_ch):
        super(DoubleConv, self).__init__()
        self.conv = nn.Sequential(
            nn.Conv2d(in_ch, out_ch, 3, padding=1),
            nn.BatchNorm2d(out_ch),
            nn.ReLU(inplace=True),
            nn.Conv2d(out_ch, out_ch, 3, padding=1),
            nn.BatchNorm2d(out_ch),
            nn.ReLU(inplace=True)
        )

    def forward(self, input):
        return self.conv(input)


class Unet(nn.Module):
    def __init__(self,in_ch,out_ch):
        super(Unet, self).__init__()

        self.conv1 = DoubleConv(in_ch, 64)
        self.pool1 = nn.MaxPool2d(2)
        self.conv2 = DoubleConv(64, 128)
        self.pool2 = nn.MaxPool2d(2)
        self.conv3 = DoubleConv(128, 256)
        self.pool3 = nn.MaxPool2d(2)
        self.conv4 = DoubleConv(256, 512)
        self.pool4 = nn.MaxPool2d(2)
        self.conv5 = DoubleConv(512, 1024)
        self.up6 = nn.ConvTranspose2d(1024, 512, 2, stride=2)
        self.conv6 = DoubleConv(1024, 512)
        self.up7 = nn.ConvTranspose2d(512, 256, 2, stride=2)
        self.conv7 = DoubleConv(512, 256)
        self.up8 = nn.ConvTranspos