基于Unet的深度学习在BraTS数据集上的2D脑肿瘤图像分割实践（四类分类）

简介：
本文详细介绍了一种基于Unet架构的深度学习方法，在BraTS数据集中进行二维脑肿瘤图像的精确分割，实现对肿瘤四种类别的有效区分和识别。 本项目是一个基于Unet的多尺度分割实战项目，包含了数据集、代码以及训练好的权重文件，并且经过测试可以直接使用。 **项目介绍：** 总大小为271MB。 该项目的数据集是BraTS 3D脑肿瘤图像切分而成的2D图片分割任务。在仅进行10个epoch的训练后，全局像素点准确度达到了0.97，miou（平均交并比）为0.53。进一步增加训练轮数可以提升性能。 **代码介绍：** - **【训练】** train脚本会自动执行，并且会在设定尺寸的0.5到1.5倍之间随机缩放数据以实现多尺度训练。此外，utils中的compute_gray函数将mask灰度值保存在txt文件中，并为UNET网络定义输出通道。 - **【介绍】** 学习率采用余弦衰减策略，在run_results文件夹内可以查看训练集和测试集的损失及iou曲线（由matplotlib库绘制）。此外，还保存了训练日志、最佳权重等信息。在训练日志中可以看到每个类别的miou、召回率、精确度以及全局像素点准确率。 - **【推理】** 将待预测图像放置于inference文件夹下，并直接运行predict脚本即可进行推理操作，无需设定额外参数。 具体使用方法请参考README文档。即使是初学者也可以轻松上手此项目。