【深度学习】- 作业4: 脑部MRI(核磁共振)图像分别

课程链接: 清华大学驭风计划

代码仓库：Victor94-king/MachineLearning: MachineLearning basic introduction (github.com)

驭风计划是由清华大学老师教授的，其分为四门课，包括: 机器学习(张敏教授) ， 深度学习(胡晓林教授), 计算机语言(刘知远教授) 以及数据结构与算法(邓俊辉教授)。本人是综合成绩第一名，除了数据结构与算法其他单科均为第一名。`代码和报告均为本人自己实现，由于篇幅限制，只展示任务布置以及关键代码，如果需要报告或者代码可以私聊博主

机器学习部分授课老师为胡晓林教授，主要主要通过介绍回归模型，多层感知机，CNN，优化器，图像分割，RNN & LSTM 以及生成式模型入门深度学习

有任何疑问或者问题，也欢迎私信博主，大家可以相互讨论交流哟~~

任务介绍

1.简介

本次案例将使用深度学习技术来完成脑部MRI(磁共振)图像分割任务，即对于处理好的一张MRI图像，通过神经网络分割出其中病变的区域。本次案例使用的数据集来自Kaggle ^{[ 1]} ，共包含110位病人的MRI数据，每位病人对应多张通道数为3的.tif格式图像，其对应的分割结果为单通道黑白图像(白色为病变区域)，示例如下。

第一行: MRI图像；第二行: 对应的分割标签

更详细的背景介绍请参考文献[2].

2.参考程序

本次案例提供了完整、可供运行的参考程序，来源于Kaggle ^[3]^ 和GitHub ^[4]^ ，建议在参考程序的基础上进行修改来完成本案例。各个程序简介如下：

ltrain.ipynb用来完成模型训练

linference.ipynb用来对训练后的模型进行推理

lunet.py定义了U-Net网络结构，参考资料[5]

lloss.py定义了损失函数(Dice Loss)，参考资料[6]

ldataset.py用来定义和读取数据集

ltransform.py用来预处理数据

lutils.py定义了若干辅助函数

llogger.py用来记录训练过程(使用TensorBoard ^[7] 功能)，包括损失函数曲线等

参考程序对运行环境的要求如下，请自行调整环境至适配，否则无法运行：

lnumpy==1.23.5

ltensorflow== 2.2.0

lscikit-learn==0.20.3

lscikit-image==0.14.2

limageio==2.5.0

lmedpy==0.4.0 (需自行安装)

lPillow==6.0.0

lscipy== 1.4.1 (注意版本)

lpandas==0.24.2

ltqdm

其它细节以及示例运行结果可直接参考Kaggle ^[3]^ 和GitHub ^[4]^ 。

3.要求和建议

在参考程序的基础上，使用深度学习技术，尝试提升该模型在脑部MRI图像上的分割效果，以程序最终输出的validation mean DSC值作为评价标准(参考程序约为90%)。可从网络结构(替换U-Net)、损失函数(替换Dice Loss)、训练过程(如优化器)等角度尝试改进，还可参考通用图像分割的一些技巧 ^[^  ^8]^ 。

4.注意事项

结果

对比了unet + 修改backbone + 修改lose