unet脑肿瘤分割_2D UNet3+ Pytorch实现 脑肿瘤分割

最新推荐文章于 2024-08-06 13:11:59 发布
最新推荐文章于 2024-08-06 13:11:59 发布
阅读量1.7k 收藏 18
点赞数 1
文章标签： unet脑肿瘤分割
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/weixin_30193461/article/details/111932196
版权
本文详细介绍了使用Pytorch实现2D UNet3+网络进行脑肿瘤分割的过程，包括数据预处理、环境配置、网络结构和关键代码。通过BraTs数据集，利用新增的样本作为测试集，解决数据不足导致的过拟合问题。文章提供了完整的预处理代码和网络结构，并分享了训练和测试的命令。
摘要由CSDN通过智能技术生成

一、网络介绍

论文下载地址及论文翻译与解读:玖零猴：UNet3+(UNet+++)论文翻译与详细解读​zhuanlan.zhihu.com

原代码链接:链接

二、BraTs数据预处理

本文用的训练集和验证集均来自BraTs2018的训练集(其中HGG:210个病人,LGG:75个病人)

但由于BraTs只公开训练集数据,没有测试集数据,如果在训练集中再拆一部分用来作测试集的话,那训练集便少了许多,训练数据如果过少,容易出现过拟合现象,即在训练集中表现好,而在测试集中表现差,此时的网络泛化能力变差了.为了解决数据少的问题,灵机一动的我想出了一个办法.

因为BraTs2019的训练集在BraTs2018的基础上增多了,其中HGG增加了49例,LGG增加了1例,那么我就把这些新增的作为我的测试集

下面我提供百度云盘给大家下载,这是原始数据

BraTs18数据集下载地址(不包含测试集,提供的验证集无GT)

链接：https://pan.baidu.com/s/1Ry41OVl9VLOMzhQQR9qXuA 提取码：qvmo

BraTs19数据集下载地址如下(不包含测试集,提供的验证集无GT)

链接: https://pan.baidu.com/s/1S5XGTdHkwFnagKS-5vWYBg 提取码: 2333

数据的预处理以及实现代码

把上面两年的数据下下来,然后我对数据的预处理方法是链接

完整的实现代码(jupyter notebook打开)https://github.com/Merofine/BraTS2Dpreprocessing​github.comGetTrainingSets.ipynb——>训练集和验证集

GetTestingSetsFrom2019.ipynb-—>测试集

代码执行完后,获得npy数据

链接:https://pan.baidu.com/s/1W3rcl9I-Y8DwWu5p4o--cw 密码:hfe7

三、运行环境的安装

1、系统环境 WIN10 + CUDA 92 + CUDNN7 + ANACONDA

2、ANACONDA指令快速配置环境,先下载下面文件

四、核心代码

# -*- coding: utf-8 -*-

import torch

import torch.nn as nn

import torch.nn.functional as F

from layers import unetConv2

from init_weights import init_weights

'''

UNet 3+

'''

class UNet_3Plus(nn.Module):

def __init__(self, args):

super(UNet_3Plus, self).__init__()

self.args = args

in_channels = 4

n_classes = 3

feature_scale = 4

is_deconv = True

is_batchnorm = True

self.is_deconv = is_deconv

self.in_channels = in_channels

self.is_batchnorm = is_batchnorm

self.feature_scale = feature_scale

filters = [64, 128, 256, 512, 1024]

## -------------Encoder--------------

self.conv1 = unetConv2(self.in_channels, filters[0], self.is_batchnorm)

self.maxpool1 = nn.MaxPool2d(kernel_size=2)

self.conv2 = unetConv2(filters[0], filters[1], self.is_batchnorm)

self.maxpool2 = nn.MaxPool2d(kernel_size=2)

self.conv3 = unetConv2(filters[1], filters[2], self.is_batchnorm)

self.maxpool3 = nn.MaxPool2d(kernel_size=2)

self.conv4 = unetConv2(filters[2], filters[3], self.is_batchnorm)

self.maxpool4 = nn.MaxPool2d(kernel_size=2)

self.conv5 = unetConv2(filters[3], filters[4], self.is_batchnorm)

## -------------Decoder--------------

self.CatChannels = filters[0]

self.CatBlocks = 5

self.UpChannels = self.CatChannels * self.CatBlocks

'''stage 4d'''

# h1->320*320, hd4->40*40, Pooling 8 tim

最低0.47元/天 解锁文章
沃特JS
关注
brain-segmentation-pytorch:PyTorch中的U-Net实现用于脑部MRI的FLAIR异常分割
05-02
U-Net进行脑部分割 PyTorch中的U-Net实现基于深度学习分割算法进行脑部MRI FLAIR异常分割，该算法用于。 该存储库是中官方MATLAB / Keras实现的全Python端口。 提供了经过训练的模型的权重，这些权重可用于对其他数据集进行推断或微调。 如果您使用此存储库中共享的代码或权重，请考虑引用： @article{buda2019association, title={Association of genomic subtypes of lower-grade gliomas with shape features automatically extracted by a deep learning algorithm}, author={Buda, Mateusz and Saha, Ashirbani and Mazurowski, Maciej A
2D UNet3+ Pytorch实现 脑肿瘤分割
程序客栈
06-07 9336
一、网络介绍 论文下载地址及论文翻译与解读: 玖零猴：UNet3+(UNet+++)论文翻译与详细解读 原代码链接: 链接 二、BraTs数据预处理 本文用的训练集和验证集均来自BraTs2018的训练集(其中HGG:210个病人,LGG:75个病人) 但由于BraTs只...
UNet 3+：用于医学图像分割的全尺寸连接 UNet
最新发布
cc0319cc的博客
08-06 811
医学图像中的自动器官分割是许多临床应用中的关键步骤。近年来，卷积神经网络（CNN）极大地促进了各种分割模型的发展，例如全卷积神经网络（FCN）[1], 大学网[2], PSP网络[3]以及一系列DeepLab版本[4]–​[6]。特别是，基于编码器-解码器架构的UNet被广泛应用于医学图像分割。它使用跳跃连​​接来组合来自解码器的高级语义特征图和来自编码器的相应低级详细特征图。为了从 UNet、UNet++ 中的普通跳过连接中消除语义上不同特征的融合[7]
2D-FCN8s,FCN16s,FCN32s脑胶质瘤分割BraTs + Pytorch实现
程序客栈
04-01 4130
FCN讲解 玖零猴：FCN+与CNN的区别+三大技术+网络结构 BraTs数据准备 玖零猴：(2D网络)医学三维数据且又多模态多标签该如何预处理 运行环境的安装 windows10 64 bits、nvidia驱动、CUDA8.0、cudnn、anaconda 打开命令窗口, 分别输入以下指令: co...
unet脑肿瘤分割_[论文代码]UNET++pytorch实现+环境安装+代码解释+brats2018脑肿瘤二维分割,UNetpytorch,Brats2018,2D...
weixin_39907658的博客
12-24 1849
原始的代码:链接我修改后的代码: 链接1、env 环境的安装windows10 64 bits、nvidia驱动、CUDA8.0、cudnn、anaconda打开命令窗口, 分别输入以下指令:conda create -n NestedUnetTorchpython=3.6conda activateNestedUnetTorchpip install simpleitkpip install...
2D DenseUnet-based脑胶质瘤分割BraTs+论文翻译+代码实现
h201601060805的博客
05-08 5951
论文代码： https://github.com/NYUMedML/DARTS 1、摘要 Quantitative, volumetric analysis of Magnetic Resonance Imaging (MRI) is a fundamental way researchers study the brain in a host of neurological conditions including normal maturation and aging. Despite the ava
master(2)_深度学习_UNet_unet分割_脑肿瘤分割_深度学习Unet
09-11
在"UNet2D_BraTs-master"这个项目中，我们可以推测它可能是一个使用2D UNet进行脑肿瘤分割的实现，专门针对BraTS（Brain Tumor Segmentation Challenge）数据集。BraTS是医疗图像分析领域的一个权威挑战赛，提供了多...
master(3)_深度学习_UNet_unet分割_python_脑肿瘤分割
09-11
【深度学习 UNet 分割模型在脑肿瘤分割中的应用】 深度学习作为一种强大的机器学习方法，已经在计算机视觉领域取得了显著的成就。特别是在医疗图像分析中，它已成为解决复杂问题如病灶分割的重要工具。其中，UNet...
脑肿瘤分割-基于3D-UNet+3D-VNet+2D-UNet实现的脑肿瘤分割算法-并进行生存预测-附项目源码-优质项目实战
05-06
脑肿瘤分割_基于3D-UNet+3D-VNet+2D-UNet实现的脑肿瘤分割算法_并进行生存预测_附项目源码_优质项目实战
UNet(UNet网络的三个实现：大同小异 全是pytorch实现)
09-07
UNet(UNet网络的三个实现：大同小异 全是pytorch实现)，其中UNet文件中包含了原始的分割数据集
unet脑肿瘤分割完整代码
03-05
U-net脑肿瘤分割完整代码 数据集 网络 训练 测试 只跑了20个epoch https://blog.csdn.net/qq_45845375/article/details/135588237
图像分割：Pytorch实现UNet++进行医学细胞分割
04-15
**图像分割：Pytorch实现UNet++进行医学细胞分割** 图像分割是计算机视觉领域中的一个核心任务，它涉及将图像划分为多个具有不同语义意义的区域或对象。在医学成像中，图像分割尤其重要，因为它可以帮助医生识别和...
PyTorch：Unet网络实现脑肿瘤图像分割
热门推荐
Bob_lb的博客
10-24 1万+
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...
pytorch 语义分割-医学图像-脑肿瘤数据集的载入模块
daxiyangdexiaof的博客
04-13 3765
由于最近目标是完成基于深度学习的脑肿瘤语义分割实验，所以需要用到自定义的数据载入，本文参考了一下博客：https://blog.csdn.net/tuiqdymy/article/details/84779716?utm_source=app，一开始是做的眼底图像分割，由于使用的是DRIVE数据集，所以数据量很少，之前也是按照上面这篇博客标注了关于图片id的txt文件，但是这次是应用在kaggle...
基于matlab的脑瘤mr图像处理_BraTS18——多模态MR图像脑肿瘤分割挑战赛续9
weixin_39615643的博客
12-22 547
今天将继续分享从网络结构上进行改进提出ETVNet模型来分割脑肿瘤。为了方便大家学习理解整个分割流程，我将整个流程步骤进行了整理，并给出每个步骤的结果，希望对大家有所帮助。一、Edge Guidance 模块介绍在论文《ET-Net A Generic Edge-aTtention Guidance Network for Medical Image Segmentation》中，作者提出在网络中...
3DV-Net脑胶质瘤分割BraTs + Pytorch实现
程序客栈
06-07 3820
一、网络模型 论文地址:https://arxiv.org/abs/1606.04797 二、预处理 玖零猴：(3D网络)医学三维数据且又多模态多标签该如何预处理 三、环境配置 1、系统环境 WIN10 + CUDA 92 + CUDNN7 + ANACONDA 2、A...
数据增强系列（5）PyTorch和Albumentations用于语义分割
weixin_43229348的博客
06-23 2036
这个例子展示了如何使用Albumentations进行二分类语义分割。我们将使用牛津宠物数据集。任务是将输入图像的每个像素分类为宠物或背景。 1.安装所需的库 我们将使用TernausNet，这是一个为语义分割任务提供预训练的UNet模型的库。 pip install ternausnet pip install albumentations==0.4.6 #下载这个版本的不会报错 2.导入相关的库 from collections import defaultdict import copy impo
UNet3+ pytorch实现
06-07
以下是一个简单的UNet 3+的PyTorch实现，仅供参考： ```python import torch import torch.nn as nn import torch.nn.functional as F class DoubleConv(nn.Module): def __init__(self, in_channels, out_channels, mid_channels=None): super().__init__() if not mid_channels: mid_channels = out_channels self.double_conv = nn.Sequential( nn.Conv2d(in_channels, mid_channels, kernel_size=3, padding=1), nn.BatchNorm2d(mid_channels), nn.ReLU(inplace=True), nn.Conv2d(mid_channels, out_channels, kernel_size=3, padding=1), nn.BatchNorm2d(out_channels), nn.ReLU(inplace=True) ) def forward(self, x): return self.double_conv(x) class Down(nn.Module): def __init__(self, in_channels, out_channels): super().__init__() self.maxpool_conv = nn.Sequential( nn.MaxPool2d(2), DoubleConv(in_channels, out_channels) ) def forward(self, x): return self.maxpool_conv(x) class Up(nn.Module): def __init__(self, in_channels, out_channels, bilinear=True): super().__init__() if bilinear: self.up = nn.Upsample(scale_factor=2, mode='bilinear', align_corners=True) else: self.up = nn.ConvTranspose2d(in_channels // 2, in_channels // 2, kernel_size=2, stride=2) self.conv = DoubleConv(in_channels, out_channels) def forward(self, x1, x2): x1 = self.up(x1) # input is CHW diffY = x2.size()[2] - x1.size()[2] diffX = x2.size()[3] - x1.size()[3] x1 = F.pad(x1, [diffX // 2, diffX - diffX // 2, diffY // 2, diffY - diffY // 2]) x = torch.cat([x2, x1], dim=1) return self.conv(x) class AttentionBlock(nn.Module): def __init__(self, F_g, F_l, F_int): super(AttentionBlock, self).__init__() self.W_g = nn.Sequential( nn.Conv2d(F_g, F_int, kernel_size=1, stride=1, padding=0, bias=True), nn.BatchNorm2d(F_int) ) self.W_x = nn.Sequential( nn.Conv2d(F_l, F_int, kernel_size=1, stride=1, padding=0, bias=True), nn.BatchNorm2d(F_int) ) self.psi = nn.Sequential( nn.Conv2d(F_int, 1, kernel_size=1, stride=1, padding=0, bias=True), nn.BatchNorm2d(1), nn.Sigmoid() ) self.relu = nn.ReLU(inplace=True) def forward(self, g, x): g1 = self.W_g(g) x1 = self.W_x(x) psi = self.relu(g1 + x1) psi = self.psi(psi) return x * psi class UNet3Plus(nn.Module): def __init__(self, in_channels=3, out_channels=1, bilinear=True): super().__init__() self.in_channels = in_channels self.out_channels = out_channels self.bilinear = bilinear self.down1 = Down(in_channels, 32) self.att1 = AttentionBlock(F_g=32, F_l=32, F_int=16) self.down2 = Down(32, 64) self.att2 = AttentionBlock(F_g=64, F_l=64, F_int=32) self.down3 = Down(64, 128) self.att3 = AttentionBlock(F_g=128, F_l=128, F_int=64) self.down4 = Down(128, 256) self.att4 = AttentionBlock(F_g=256, F_l=256, F_int=128) self.center = DoubleConv(256, 512) self.att5 = AttentionBlock(F_g=512, F_l=512, F_int=256) self.up4 = Up(512, 256, self.bilinear) self.att6 = AttentionBlock(F_g=256, F_l=256, F_int=128) self.up3 = Up(256, 128, self.bilinear) self.att7 = AttentionBlock(F_g=128, F_l=128, F_int=64) self.up2 = Up(128, 64, self.bilinear) self.att8 = AttentionBlock(F_g=64, F_l=64, F_int=32) self.up1 = Up(64, 32, self.bilinear) self.outc = nn.Conv2d(32, out_channels, kernel_size=1) def forward(self, x): x1 = self.down1(x) x2 = self.down2(x1) x3 = self.down3(x2) x4 = self.down4(x3) center = self.center(x4) center = self.att5(g=center, x=center) x4 = self.att4(g=center, x=x4) x3 = self.att3(g=x4, x=x3) x2 = self.att2(g=x3, x=x2) x1 = self.att1(g=x2, x=x1) x = self.up4(center, x4) x = self.att6(g=x, x=center) x = self.up3(x, x3) x = self.att7(g=x, x=x3) x = self.up2(x, x2) x = self.att8(g=x, x=x2) x = self.up1(x, x1) logits = self.outc(x) return logits ``` 在这个实现中，我们首先定义了一个双卷积块(DoubleConv)、下采样块(Down)和上采样块(Up)。然后定义了一个注意力块(AttentionBlock)来实现UNet 3+中的跨通道注意力机制。最后，我们将所有块组合在一起以定义UNet 3+网络。
评论
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