基于Unet改进的研究：引入attenUnet模块进行Synapse多器官图像语义分割的实验对比分析

简介：
本研究在Unet基础上创新性地引入了attenUnet模块，并进行了针对Synapse数据库中多器官图像的详细语义分割实验，通过与原模型效果比较，深入分析改进模块的优势及应用前景。 基于Unet改进系列：加入attenUnet模块对Synapse多器官图像语义分割的实验对比 本研究使用了Synapse数据集进行多器官（包括主动脉、胆囊、脾脏、左肾及右肾等）的语义分割任务，该数据集已划分成训练和验证两个部分，并存放于data目录下。 网络架构：项目中包含两种类型的神经网络模型——Unet和Attention_Unet。通过调整train脚本中的参数即可实现对比实验，默认设置为100个epoch，学习率采用cos余弦退火策略，初始值设为0.01并逐渐降至0.00001。对于大规模训练需求，可以通过修改img-size参数来适应不同规模的图像数据集。优化器选用的是AdamW。 评估指标：除了传统的精度（pixel accuracy）、召回率（recall）和F1分数外，还使用了Dice系数和交并比（IoU）作为主要评价标准。在每个训练周期结束时，模型会在训练集及验证集上进行测试，并将结果保存至runs目录下的json文件中。 推理过程：当需要对新图像进行预测时，只需将待处理的图片放置于inferenceimg文件夹内，程序会自动对其进行语义分割并生成相应的掩膜图。最终输出分为两部分——infer_get用于存放阈值处理后的结果；show则展示原始图像与对应分割效果。 实验结果显示： - Unet模型的Dice系数为0.934，IoU为0.878； - Attention_Unet模型在相同任务上取得了更佳的表现，其Dice系数达到0.952，而IoU也提高到了0.909。