2D UNet++ VGGBlock脑胶质瘤分割BraTs + Pytorch实现

置顶 已于 2023-10-02 13:29:55 修改
阅读量2.3k 收藏 31
点赞数 6
分类专栏： # 医学影像分割 # PyTorch 实战 文章标签： 深度学习 机器学习 python 人工智能 pytorch
于 2020-04-02 04:19:23 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/105289807
版权

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

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="NestedUNet" --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/1umabntID-QY0t_VCy-qFTg  密码:ip4r

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_NestedUNet_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_NestedUNet_woDS" --mode="Calculate"

运行结果:

preview

v2-b97fafc668d7d17b219c051e84491989_b.jpg


 

玖零猴
关注
  • 6
    点赞
  • 踩
  • 31
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 61
    评论
专栏目录
【深度学习入门到精通系列】2D Unet&3D Unet辨析
李响
04-03 1698
文章目录1 2D U-net2 3D U-net3 总结3.1 从数据格式角度3.2 从模型角度 1 2D U-net 以全连接卷积神经网络为基础设计的。 创新点：上采样，下采样，U型结构，短接通道（skip connection） Encoder：左半部分，由两个3x3的卷积层（ReLU）+2x2的max polling层（stride=2）反复组成，每经过一次下采样，通道数翻倍； Decoder：右半部分，由一个2x2的上采样卷积层（ReLU）+Concatenation（crop[3]对应的En
综述: 3D Unet vs 2D Unet
MrCharles在CSDN
01-07 9000
使用傅立叶变换检测图像边缘 几种经典的卷积 卷积神经网络（CNN）已显示出实现多种计算机视觉任务的能力（例如图像分割）。分割任务主要有两种： 语义分割和实例分割。语义分割是对图像中的每个像素都划分出对应的类别，即实现像素级别的分类； 而类的具体对象，即为实例，实例分割不但要进行像素级别的分类，还需在具体的类别基础上区别开不同的实例。比如说...
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
Unet（2D Unet&3D Unet）和Vnet——图像分割
阿婷的博客
12-21 1万+
参考博客 https://blog.csdn.net/qq_36484003/article/details/108874913 https://blog.csdn.net/weixin_41424926/article/details/103105801 目录 2D U-net 3D U-net。 V-net 2D U-net 以全连接卷积神经网络为基础设计的。 创新点：上采样，下采样，U型结构，短接通道（skip connection） 下采样：传统的特征提取路径，简称压缩路径，
2D-FCN8s,FCN16s,FCN32s脑胶质瘤分割BraTs + Pytorch实现
程序客栈
04-01 3953
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...
pytorch（3）--VGG block和 Resnet block
AP1005834的博客
03-22 3553
一、前言 本篇记录 VGG Block和Resnet Block 经典结构 二、VGGblock VGG Block 可由两层conv3或三层conv3组成，两层的感受野和一层conv5一样，三层conv3的感受野和一层conv7是一样的，但是能够减少计算量，以下为不同的VGGblock搭配的VGG网络 包含两层conv3的VGG block 代码如下，CBR-CBR，无池化层 class VGGBlock(nn.Module): def __init__(self,...
unet图像分割_2d UNET图像分割
weixin_39605191的博客
12-15 707
网络结构：前半部分作用是特征提取（四次下采样，一共下采样16倍），后半部分是上采样。U-net采用了完全不同的特征融合方式，采用将特征在channel维度拼接在一起，形成更厚的特征；另外5个pooling layer实现了网络对图像特征的多尺度特征识别。语义分割网络在特征融合时有两种办法：1） FCN式的对应点相加，对应于TensorFlow中的tf.add()函数；2） U-net式的chann...
MindSpore社区活动：UNet-2D的图像分割
qq_30030015的博客
08-20 160
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。
2D UNet3+ Pytorch实现 脑肿瘤分割
程序客栈
06-07 8773
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...
Dense-Unet实现眼底图像血管分割(VesselNet)
啊哦的博客
10-28 8378
之前用Retina Unet项目实现了眼底图像血管分割，分割网络用的是Unet，现在看了DenseNet之后，将之前Unet网络中的Conv2d替换成下图的Dense Block之后，效果会有提升。 在DRIVE数据集上的AUC值： Methods AUC ROC on DRIVE Retina-Unet 0.9790 VesselNet 0.9841 下面是Dense-...
DenseUnet_Esophagus_Segmentation
05-31
用于食管 GTV 分割的扩张密集注意力 Unet (DDAUnet) 如果此存储库对您有所帮助，请表达您的爱意 :red_heart: 通过放置一个 :star: 在这个项目上 在这里找到手稿： : 提议的CNN 图 1- DDAUnet 网络。 结果 图 2 - DDAUnet 与其他 CNN 对来自两个不同患者的两个切片的定性比较。 2D DSC 值以黄色显示。 手动描绘和网络结果分别用绿色和红色轮廓表示。 引文 @article{yousefi2020esophageal, title={Esophageal Tumor Segmentation in CT Images using a 3D Convolutional Neural Network}, author={Yousefi, Sahar and Sokooti, Hessam and Elmahdy, Mohamed S and Lip
图像分割：Pytorch实现UNet++进行医学细胞分割
最新发布
04-15
本文《图像分割：Pytorch实现UNet++进行医学细胞分割》的完整项目代码
基于Pytorch+Unet实现心脏右心室分割python源码.zip
09-06
基于Pytorch+Unet实现心脏右心室分割python源码.zip基于Pytorch+Unet实现心脏右心室分割python源码.zip基于Pytorch+Unet实现心脏右心室分割python源码.zip基于Pytorch+Unet实现心脏右心室分割python源码.zip基于...
unet++模型进行图片分割
03-28
UNet++模型本身并不是直接用于图片分类的，而是主要用于图像分割任务，特别是医学图像分割。UNet++是UNet模型的一个改进版本，通过引入深度监督和密集跳跃连接来增强特征提取和融合的能力，从而提高了分割精度。 ...
Unet++舌象图像分割数据集+代码+模型+系统界面+教学视频.zip
03-10
该文件中包含提前处理好的舌象数据集和标签，以及训练好的unet++模型和完整的训练、测试和图形化界面的Python代码，并且提供了实际的操作视频，按照视频只需要进行一下基本的环境创建，即可运行出一个完整的分割系统...
语义分割Unet+pytorch源码+小批量数据集+网络简图
04-18
语义分割Unet+pytorch源码+小批量数据集+网络简图 适合深度学习语义分割方向高效学习测试Unet网络
[论文解读]U-Net+与FCN的区别+医学表现+网络详解+创新
热门推荐
程序客栈
05-20 1万+
前半部分作用是特征提取，后半部分是上采样,在一些文献中也把这样的结构叫做编码器-解码器结构,由于此网络整体结构类似于大写的英文字母U，故得名U-net。 ...
[概念]MICCAI+BraTS+多模态t1,t2,flair,t1c+HGG,LGG+WT,ET,TC
程序客栈
03-05 1万+
一、MICCAI MICCAI是由国际医学图像计算和计算机辅助干预协会(Medical Image Computing and Computer Assisted Intervention Society) 举办，跨医学影像计算(MIC)和计算机辅助介入 (CAI) 两个领域的综合性学术会议，是该领域的顶级会议 二、BraTS 2.1简介 脑部肿瘤分割(brain tumor s...
[代码实现]UNet++之pytorch + 环境安装 + Brats2018 + 2D分割
程序客栈
03-03 1万+
源代码链接:https://github.com/MrGiovanni/UNetPlusPlus 1、环境的安装 1、CUDA8.0 Tensorflow1.4.0:https://blog.csdn.net/m0_38073193/article/details/82290249 2、 git clone https://github.com/MrGiovanni/UNetP...
unet++ pytorch代码
06-07
以下是一个简单的UNet++模型的PyTorch代码实现： ```python import torch import torch.nn as nn import torch.nn.functional as F class ConvBlock(nn.Module): def __init__(self, in_channels, out_channels): super(ConvBlock, self).__init__() self.conv1 = nn.Conv2d(in_channels, out_channels, kernel_size=3, padding=1) self.bn1 = nn.BatchNorm2d(out_channels) self.conv2 = nn.Conv2d(out_channels, out_channels, kernel_size=3, padding=1) self.bn2 = nn.BatchNorm2d(out_channels) def forward(self, x): x = F.relu(self.bn1(self.conv1(x))) x = F.relu(self.bn2(self.conv2(x))) return x class ConvTransBlock(nn.Module): def __init__(self, in_channels, out_channels): super(ConvTransBlock, self).__init__() self.convtrans = nn.ConvTranspose2d(in_channels, out_channels, kernel_size=2, stride=2) def forward(self, x): x = self.convtrans(x) return x class UNetPP(nn.Module): def __init__(self, in_channels, out_channels): super(UNetPP, self).__init__() self.conv1 = ConvBlock(in_channels, 64) self.conv2 = ConvBlock(64, 128) self.conv3 = ConvBlock(128, 256) self.conv4 = ConvBlock(256, 512) self.conv5 = ConvBlock(512, 1024) self.conv6 = ConvBlock(1024, 2048) self.upconv1 = ConvTransBlock(2048, 1024) self.upconv2 = ConvTransBlock(1024, 512) self.upconv3 = ConvTransBlock(512, 256) self.upconv4 = ConvTransBlock(256, 128) self.upconv5 = ConvTransBlock(128, 64) self.conv7 = ConvBlock(3072, 1024) self.conv8 = ConvBlock(1536, 512) self.conv9 = ConvBlock(768, 256) self.conv10 = ConvBlock(384, 128) self.conv11 = ConvBlock(192, 64) self.final_conv = nn.Conv2d(64, out_channels, kernel_size=1) def forward(self, x): x1 = self.conv1(x) x2 = F.max_pool2d(x1, kernel_size=2, stride=2) x2 = self.conv2(x2) x3 = F.max_pool2d(x2, kernel_size=2, stride=2) x3 = self.conv3(x3) x4 = F.max_pool2d(x3, kernel_size=2, stride=2) x4 = self.conv4(x4) x5 = F.max_pool2d(x4, kernel_size=2, stride=2) x5 = self.conv5(x5) x6 = F.max_pool2d(x5, kernel_size=2, stride=2) x6 = self.conv6(x6) x7 = self.upconv1(x6) x7 = torch.cat([x7, x5], dim=1) x7 = self.conv7(x7) x8 = self.upconv2(x7) x8 = torch.cat([x8, x4], dim=1) x8 = self.conv8(x8) x9 = self.upconv3(x8) x9 = torch.cat([x9, x3], dim=1) x9 = self.conv9(x9) x10 = self.upconv4(x9) x10 = torch.cat([x10, x2], dim=1) x10 = self.conv10(x10) x11 = self.upconv5(x10) x11 = torch.cat([x11, x1], dim=1) x11 = self.conv11(x11) output = self.final_conv(x11) return output ``` 这个模型实现了一个6层的UNet++结构，每个卷积块的通道数为64/128/256/512/1024/2048。在这个实现中，每个卷积块的结构都是两个3x3的卷积层，中间使用了BatchNorm层和ReLU激活函数。上采样层使用的是2x2的转置卷积。在UNet++结构中，每个上采样层都会将其对应的下采样层的输出与上采样后的特征图进行级联，然后再进行卷积操作。最终的输出使用了一个1x1的卷积层将特征图转换为目标类别的概率图。

“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 61
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