UNet Pytorch实现

用于图像分割的不同种类的Unet模型的实现

UNet - U-Net：用于生物医学图像分割的卷积网络 https://arxiv.org/abs/1505.04597
RCNN-UNet - 基于U-Net的递归残差卷积神经网络（R2U-Net）用于医学图像分割 https://arxiv.org/abs/1802.06955
Attention Unet - Attention U-Net：学习寻找胰腺的位置https://arxiv.org/abs/1804.03999
RCNN-Attention Unet-Attention R2U-Net：只是整合了两个最近的先进工作（R2U-Net + Attention U-Net）。
Nested UNet - UNet++：用于医学图像分割的嵌套式U-Net架构https://arxiv.org/abs/1807.10165

带层可视化

开始

克隆仓库：

git clone https://github.com/bigmb/Unet-Segmentation-Pytorch-Nest-of-Unets.git

依赖

python>=3.6
torch>=0.4.0
torchvision
torchsummary
tensorboardx
natsort
numpy
pillow
scipy
scikit-image
sklearn

安装依赖代码：

pip install -r requirements.txt

修改文件

将你所有的文件夹添加到这一行 106-113

t_data = '' # 输入数据
l_data = '' # 输入标签
test_image = '' # 训练时要预测的图像
test_label = '' # 预测图像的标签
test_folderP = '' # 测试文件夹图像
test_folderL = '' # 用于计算得分的测试文件夹标签

Unet类型

Unet

在这里插入图片描述

RCNN Unet

在这里插入图片描述

Attention Unet

在这里插入图片描述

Attention-RCNN Unet

在这里插入图片描述

Nested Unet

在这里插入图片描述

可视化

要绘制损失，需要Visdom。代码已经写好了，只需取消必要的部分。梯度流也可以使用。摘自(https://discuss.pytorch.org/t/check-gradient-flow-in-network/15063/10)

创建一个模型文件夹，所有的数据都存储在里面。最后一层将被保存在模型文件夹中。如果需要任何特定的层，请在第361行中提到它。

层可视化

在这里插入图片描述

过滤器可视化

在这里插入图片描述

TensorboardX 仍然需要调整一些参数来获得可视化。在试图让pytorch 1.1.0直接与tensorboard一起工作时，已经把事情搞砸了（后来才知道目前除了线性图之外，它不支持任何东西）。
在这里插入图片描述

用于检查的输入图像可视化

a) Original Image

在这里插入图片描述

b) CenterCrop Image

在这里插入图片描述

结果

ADNI-LONI数据集的海马体分割的Dice系数

Dice Score（Dice系数）是一种常用于评估图像分割结果的指标，特别在医学图像分割任务中广泛应用。它衡量了分割结果和真实标签之间的相似度。
Dice Score基于集合论中的F1 Score（F1指标）进行计算，其计算方式如下：
Dice Score = (2 * Intersection) / (Prediction + Ground Truth)
其中，Intersection表示预测结果和真实标签的交集（两者同时被预测为正类的像素数量），Prediction表示预测结果中的正类像素数量，Ground Truth表示真实标签中的正类像素数量。
Dice Score的取值范围为0到1，其中0表示预测结果与真实标签完全不相符，1表示完全一致的预测结果。
Dice Score是一种广泛使用的评估指标，因为它对于不平衡类别的图像分割任务具有鲁棒性。在医学图像中，常常存在正类和负类像素数量差异很大的情况，Dice Score能够在这种情况下提供更准确的评估。
除了Dice Score，其他常见的图像分割评估指标还包括IoU（Intersection over Union）和精确率（Precision）、召回率（Recall）等，它们都可以用来衡量图像分割算法的性能。具体选择哪种指标应根据任务需求和具体情况来决定。

在这里插入图片描述