2D-UNet脑胶质瘤分割BraTs + Pytorch实现

置顶 已于 2023-10-02 13:30:14 修改
阅读量7.1k 收藏 76
点赞数 19
分类专栏： # 医学影像分割 # PyTorch 实战 文章标签： 机器学习 深度学习 python 人工智能 pytorch
于 2020-04-02 03:59:04 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY 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_40519315/article/details/105289799
版权

2D-UNet讲解

玖零猴：U-Net+与FCN的区别+医学表现+网络详解+创新

BraTs数据准备

数据来源

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)

下载:https://github.com/Merofine/BraTS2Dpreprocessing​github.com

  1. GetTrainingSets.ipynb——>训练集和验证集
  2. GetTestingSetsFrom2019.ipynb-—>测试集

代码执行完后,获得npy数据

<如果大家嫌麻烦,我这里提供预处理好的npy数据>

链接:https://pan.baidu.com/s/1iIBvqrXIx2JAvoyt3FcuYw  密码:4qua

训练集、验证集和测试集——预处理之区别

它们的预处理除了是否要去除没有病灶切片外,别无区别

训练集是去除的,以缓解类别不均衡问题,类别不平衡(class-imbalance)就是指分类任务中不同类别的训练样例数目差别很大的情况,但若差别很大,则会对学习过程造成困扰.我们的任务是分割,分割是一种对像素级别的分类,一个切片假如病灶很少甚至没有,那么就会出现严重的类别不均衡,学习的时候网络就会偏向于多的那一类靠,为了缓解这种情况,应该剔除没有病灶的切片

而验证集我也是去除的,因为验证集其实在训练过程中扮演了另一角色,虽然并没有直接参与训练,可是却是为了防止过拟合现象,也就是说防止网络将这些有病灶的切片学得太过头了,这是个人理解,具体到底是否去除,还得通过实验证明

测试集当然是不用去除的,因为这个时候就是考验它的时候到了,让它自己判断是否有病灶

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:

conda create -n jiu0Monkey python=3.6

conda activate jiu0Monkey

pip install simpleitk

pip install opencv-python==3.4.2.16

pip install scipy

pip install scikit-learn==0.20

pip install scikit-image==0.14

conda  install numpy  mkl cffi

安装pytorch,选择与cuda版本对应的进行安装,python版本也要对应
下载链接:https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/pytorch/
我选择的是win-64 pytorch-0.4.0-py36_cuda80_cudnn7he774522_1.tar.bz2
下载完毕后进行安装,找到下载目录并执行:
conda install --offline .\pytorch-0.4.0-py36_cuda80_cudnn7he774522_1.tar.bz2

conda install  torchvision  -c pytorch

conda install Pillow=6.1

conda install tqdm

conda install pandas

pip install -U scikit-image

        
pip install -i https://pypi.tuna.tsinghua.edu.cn/simple numba
pip install hausdorff

代码下载链接

闲鱼APP - 搜索 - 玖零猴 医学图像分割

训练:

将train.py的img_paths和mask_paths修改为自己的trainImage和trainMask的路径

训练前会通过train_test_split函数将数据集划分为训练集和验证集,只要参数random_state一样,划分的结果就是一样的

每一次epoch训练结束,都会对验证集进行测试Iou指标,如果比之前最好的还要好就保存本次训练模型,如果超过args.early_stop这个参数还没有训练更好的话,便结束训练,这个原理就是early_stop,主要还是防止网络训练过度,造成过拟合现象,这也就是验证集虽然没有直接参与训练,但是却在其中扮演了一个非常重要的角色!

如果要训练Unet,则运行下面指令

        python .\train.py --arch="Unet" --dataset=“Jiu0Monkey”

其它参数根据自己的情况进行配置

预训练好的模型下载:

链接:https://pan.baidu.com/s/1CBSyOW3n0IOoEIbNdsbOrg  密码:w7fw

preview

preview

预测:

将test.py的img_paths和mask_paths修改为自己的testImage和testMask的路径

运行下面指令获得测试结果以及GT文件:

        python .\test.py --name="Jiu0Monkey_Unet_woDS" --mode="GetPicture"

preview

运行下面指令评价测试结果以及GT文件的指标,想了解更多指标的信息包括Dice、Hausdorff、IOU、PPV等,可以参考我这一篇(分割常用评价指标)

        python .\test.py --name="Jiu0Monkey_Unet_woDS" --mode="Calculate"

运行结果:

preview

v2-b97fafc668d7d17b219c051e84491989_b.jpg

玖零猴
关注
专栏目录
【记录】MICCAI BraTs 2020数据集
丑小鸭
08-23 380
本文MICCAI竞赛中公布的用于脑肿瘤分割 BraTS 2020数据集，根据官方统计，该数据集中共含有660例数据，训练集369、验证集125，测试集166。不过仅有训练集中给出了详细的分割标签，验证集虽然公布了 但是仅为了验证，没有给出具体的Ground Truth。所以如果进行实验主要还是针对369例数据进行。
unet脑肿瘤分割_2D UNet3+ Pytorch实现 脑肿瘤分割
weixin_39724441的博客
12-24 789
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...
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-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...
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...
#科研笔记#关于用nnUNet对BraTS2020数据集进行训练
minitong111的博客
12-21 1147
# 在“DATASET”的文件夹下创建三个文件夹，分别命名为“nnUNet_raw_data_base”，“nnUNet_preprocessed”，“RESULT_FOLDER”；## 在“nnUNet_raw_data_base”文件夹下创建两个文件夹，分别命名为“nnUNet_raw_data”，“nnUNet_cropped_data”；并且，nnUNet采用了五折交叉验证，每次训练后都会得到一个模型，一共五个，对这五个模型在验证集上的性能进行评估，得到可靠的模型性能指标。
pytorch 测试每一类_2D UNet++ ResBlock脑胶质瘤分割BraTs + Pytorch实现
weixin_39612817的博客
12-13 344
UNet++讲解玖零猴：UNet++解读 + 它是如何对UNet改进 + 作者的研究态度和方式​zhuanlan.zhihu.com网络结构Encoder BackBone = ResBlock Decoder BackBone = VGGBlock 通道数[32, 64, 128, 256, 512]ResBlockVGGBlock玖零猴：凯明之作Resnet + 心路历程[超详] + 解决退化...
python+pytorch实现基于U-net的医学影像分割系统+源码+效果展示+开发文档（毕业设计&课程设计&项目开发）
最新发布
06-08
Unet模型的pytorch实现 DataHelper.py 此代码中包含函数功能有： 1、对训练数据、测试数据的读取与矩阵化处理（在'main.py'被转成tensor） 2、对预测结果的二值化处理 Operating environment 本次实验的环境如下： ...
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
3DUnetCNN:Pytorch 3D U-Net卷积神经网络（CNN）设计用于医学图像分割
05-13
在：Crimi A.，Bakas S.（eds）脑损伤：脑胶质瘤，多发性硬化症，中风和脑外伤。 《 BrainLes 2020》。计算机科学讲座，第12659卷。ChamSpringer。 https://doi.org/10.1007/978-3-030-72087-2_4 其他引用 Ellis ...
分割-Unet+Pytorch实现训练自定义数据集-算法训练-优质项目实战.zip
02-19
在本文中，我们将深入探讨如何使用Unet架构与Pytorch深度学习框架来训练自定义数据集，这是一项高质量的项目实战。Unet是一种用于图像分割的卷积神经网络（CNN），广泛应用于医疗图像分析、遥感图像处理和自动驾驶等...
master(5)_Deepresunet_pytorch_脑肿瘤分割_深度学习_python_
10-04
基于深度学习的脑肿瘤分割
pytorch多分类的语义分割
lonelyrains的专栏
08-30 8618
基于segmentation_models.pytorch实现的多分类的语义分割。 github中的示例没有包含多分类的内容，网上资料比较少，就动手调了一下。 segmentation_models.pytorch\examples\cars segmentation (camvid).ipynb 里写了怎么做单分类的调用，用来检测Camvid数据集中的Car类型。 实现多分类目标，要做的就是训练、测试时支持多分类。主要是把原来用到二维矩阵（图像）的地方，改为三维矩阵。 笔者只有一个GPU，只实..
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...
3DV-Net脑胶质瘤分割BraTs + Pytorch实现
程序客栈
06-07 3821
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 2037
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
MindSpore社区活动：UNet-2D的图像分割
qq_30030015的博客
08-20 259
Unet提出的初衷是为了解决医学图像分割的问题。Unet网络非常的简单前半部分就是特征提取后半部分是上采样。在一些文献中把这种结构叫做。
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...
nnunet入门之三(2D图像分割)
l2181265的博客
03-12 701
nnunet用于2D图像分割。
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 34
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

打赏作者

玖零猴

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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