医学影像分割
文章平均质量分 93
论文翻译、项目实战
玖零猴
嵌入式·ROS·CV·ML·DL·医学影像分割
展开
-
Nii切片->2D ndarray灰色图->PIL灰色图->PIL RGB彩色图
一、NII切片切成2D ndarray灰色图NII为三维医学图像数据,但有时候网络需要2D数据,因此需要对其进行切片,这里最后以np.ndarray保存。读进来的NII像素值很大,有些上千的,而灰色图数值在0-255,所以在转的时候很容易越界丢失数据,因此这里需要进行归一化,示例代码:cbct_subset_path = CBCT_Folder + "/" + str(CBCT_list[subsetindex]) + "/" + str(CBCT_list[subsetindex]) +原创 2020-08-26 13:15:14 · 2370 阅读 · 0 评论 -
2D UNet3+ Pytorch实现 脑肿瘤分割
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...原创 2020-06-07 02:17:19 · 9259 阅读 · 6 评论 -
3D U-Net脑胶质瘤分割BraTs + Pytorch实现
原论文地址: 连接 一、网络模型的分析和对比 原始2D-Unet网络模型 我的2D-Unet网络模型 1、和原来的2D-Unet网络不同的是,我输入通道为4,我这里应该改为4个通道,对应四个模态图像,而输出通道为3,我对应的是三个嵌套子区...原创 2020-05-09 14:08:25 · 11997 阅读 · 68 评论 -
(3D网络)医学三维数据且又多模态多标签该如何预处理
本章以BraTS数据为例子,此数据为四个模态三个标签的三维医学数据,关于此数据的更多的信息,可以阅读下面文章。 玖零猴:MICCAI+BraTS+多模态+t1,t2,flair,t1c+HGG,LGG+WT,ET,TC 前面,我已经讲解过对于2D网络来讲,该数据应该如何处理,当然预处理的方法不是唯一,文章也是如此,仅供参考,如有误请指出。 玖零猴:(2D网络...原创 2020-05-06 06:04:19 · 2629 阅读 · 9 评论 -
2D UNet++ ResBlock脑胶质瘤分割BraTs + Pytorch实现
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 网络结构 Encoder BackBone = ResBlockDecoder BackBone = VGGBlock通道数[32, 64, 128, 256,...原创 2020-04-24 04:09:58 · 3824 阅读 · 22 评论 -
HybridResUnet脑胶质瘤分割BraTs + Pytorch实现
论文链接: https://download.csdn.net/download/weixin_40519315/12314673 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...原创 2020-04-08 08:08:23 · 1401 阅读 · 8 评论 -
2D Deep ResUnet脑胶质瘤分割BraTs + Pytorch实现
论文链接: Road Extraction by Deep Residual U-Net 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...原创 2020-04-08 07:33:24 · 3500 阅读 · 10 评论 -
2D DenseUnet-based(DARTS)脑胶质瘤分割BraTs + Pytorch实现
论文链接: https://arxiv.org/abs/1611.09326 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...原创 2020-04-08 07:10:21 · 2372 阅读 · 8 评论 -
2D UNet++ VGGBlock脑胶质瘤分割BraTs + Pytorch实现
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 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...原创 2020-04-02 04:19:23 · 2430 阅读 · 61 评论 -
2D-UNet脑胶质瘤分割BraTs + Pytorch实现
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 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...原创 2020-04-02 03:59:04 · 7131 阅读 · 34 评论 -
2D-FCN8s,FCN16s,FCN32s脑胶质瘤分割BraTs + Pytorch实现
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...原创 2020-04-01 13:27:44 · 4075 阅读 · 23 评论 -
(2D网络)医学三维数据且又多模态多标签该如何预处理
本章以BraTs数据集为例子 玖零猴:MICCAI+BraTS+多模态+t1,t2,flair,t1c+HGG,LGG+WT,ET,TC 详细地讲解对于2D网络,医学三维数据且多模态多标签该如何预处理,并用代码实现 我的步骤主要以下几步: 1、对各个模态进行标准化 2、对各模态及其GT数据进行裁剪 ...原创 2020-03-27 09:04:28 · 5893 阅读 · 37 评论 -
[论文翻译]测试时数据增强(TTA):Automatic Brain Tumor Segmentation using Convolutional Neural Networks with TTA
论文下载: 地址Automatic Brain Tumor Segmentation using Convolutional Neural Networks with Test-Time Augmentation使用带有TTA的卷积神经网络实现胶质瘤的自动分割Abstract. Automatic brain tumor segmentation plays an impo...原创 2020-03-11 16:00:34 · 2973 阅读 · 0 评论 -
[概念]医学图像分割中常用的Loss function(损失函数) + 从loss处理图像分割中类别极度不均衡
目录一、前言二、损失函数2.1根据像素正确与否设计的loss function2.1.1Log Loss2.1.2 WCE Loss2.1.3 Focal Loss2.2 根据评测标准设计的loss function2.2.1 Dice Loss2.2.2IOU Loss2.2.3 Tversky Loss2.2.4敏感性-特异性 Lo...转载 2020-03-09 20:10:12 · 6587 阅读 · 2 评论 -
[论文翻译]V-Net:Fully Convolutional Neural Networks for Volumetric Medical Image Segmentation
论文下载: 地址V-Net: Fully Convolutional Neural Networks for Volumetric Medical Image SegmentationV-Net: 用于三维医学图像分割的全卷积神经网络Abstract. Convolutional Neural Networks (CNNs) have been recently employed...原创 2020-03-09 19:34:46 · 3340 阅读 · 0 评论 -
[论文解读]Brats18 NO.1:3D MRI brain tumor segmentation using autoencoder regularization
reference1、Brats18一参赛者对NO.1的学习总结:https://zhuanlan.zhihu.com/p/715787012、王国泰老师的 Test time augmentation 即测试时使用数据增强:https://arxiv.org/abs/1810.07884v13、一人的学习笔记:https://blog.csdn.n...原创 2020-03-09 15:23:29 · 947 阅读 · 2 评论 -
[论文翻译]Brats18 NO.1:3D MRI brain tumor segmentation using autoencoder regularization
论文下载: 链接3D MRI brain tumor segmentation using autoencoder regularization采用自编码正规化的三维MRI脑肿瘤分割方法Abstract. Automated segmentation of brain tumors from 3D magnetic resonance images (MRIs) is neces...原创 2020-03-07 16:03:25 · 3250 阅读 · 1 评论 -
[概念]MICCAI+BraTS+多模态t1,t2,flair,t1c+HGG,LGG+WT,ET,TC
一、MICCAIMICCAI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、BraTS2.1简介脑部肿瘤分割(brain tumor s...原创 2020-03-05 18:31:18 · 14560 阅读 · 28 评论 -
[切片]医学三维数据且又单模态单标签的切片处理
以下代码在这个环境下运行是正常的: 链接本代码的功能:原数据nii和分割nii分别同时切片 分割nii有多个标签时, 可以选择相应的标签进行切片,例如在BraTS_2018数据集(MRI)中的标签:0是背景、1是坏疽、2是浮肿、4是增强肿瘤区,可以设置代码中的LABEL_NUM值. 没有相应标签的切片会自动舍弃掉.1、针对单独一个Nii的切片代码里面有详细的注释.把ni...原创 2020-03-04 20:14:47 · 7922 阅读 · 13 评论 -
[代码实现]UNet++之pytorch + 环境安装 + Brats2018 + 2D分割
源代码链接:https://github.com/MrGiovanni/UNetPlusPlus1、环境的安装1、CUDA8.0 Tensorflow1.4.0:https://blog.csdn.net/m0_38073193/article/details/822902492、git clone https://github.com/MrGiovanni/UNetP...原创 2020-03-03 10:28:48 · 12665 阅读 · 29 评论 -
[论文翻译]UNet++: A Nested U-Net Architecture for Medical Image Segmentation
UNet++论文: 地址UNet++: A Nested U-Net Architecture for Medical Image SegmentationUNet++:一个用于医学图像分割的嵌套的U-Net网络结构Zongwei Zhou, Md Mahfuzur Rahman Siddiquee,Nima Tajbakhsh, and Jianming Liang...原创 2020-02-28 17:23:05 · 7600 阅读 · 0 评论 -
[论文解读]CNN 卷积的魅力+特征图+感受野+共享权重和偏置
一、基础知识1.1卷积神经网络(CNN)CNN新出现了卷积层(Convolution层)和池化层(Pooling层), 这两种不同类型的层通常是交替的, 最后通常由一个或多个全连接层组成卷积网络的核心思想是将:局部感受野、权值共享(或者权值复制)以及时间或空间亚采样(池化)这三种结构思想结合起来获得了某种程度的位移、尺度、形变不变性.诺贝尔奖获得者神经生理学家Hubel和Wie-sel早在...原创 2020-02-19 11:12:24 · 9767 阅读 · 2 评论 -
[论文解读]UNet++解读 + 它是如何对UNet改进 + 作者的研究态度和方式
UNet++论文: 地址UNet++源代码: 地址参考:作者知乎的总结https://zhuanlan.zhihu.com/p/44958351转载 2020-02-29 17:15:48 · 12239 阅读 · 3 评论 -
[论文解读]FCN+与CNN的区别+三大技术+网络结构
论文下载地址 :https://arxiv.org/pdf/1411.4038.pdf原作代码 :https://github.com/shelhamer/fcn.berkeleyvision.org备注: 此文的FCN特指<<Fully Convolutional Networks for Semantic Segmentation>>论文中提出的结构,而非广义的...原创 2020-02-21 20:05:53 · 6874 阅读 · 0 评论 -
[概念]图像分割的历史 + UNet-Family
2000年之前,数字图像处理时我们采用方法基于几类:阈值分割、区域分割、边缘分割、纹理特征、聚类等。2000年到2010年期间, 主要方法有四类:基于图论、聚类、分类以及聚类和分类结合。2010年至今,神经网络模型的崛起和深度学习的发展,主要涉及到几种模型:截至到2017年底,我们已经分化出了数以百计的模型结构。当然,经过从技术和原理上考究,我们发现了一个特点,那就是当前最成功的...转载 2020-02-22 15:37:20 · 9602 阅读 · 0 评论 -
[论文解读]U-Net+与FCN的区别+医学表现+网络详解+创新
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。...原创 2020-05-20 17:12:53 · 16499 阅读 · 5 评论