Advertisement

BatchGenerators: 适用于2D和3D图像分类与分割的数据增强工具包

  • 5星
  •     浏览量: 0
  •     大小:None
  •      文件类型：None

简介：
BatchGenerators是一款高效的数据增强工具包，专为2D和3D图像的分类及分割任务设计，助力深度学习模型训练。 在德国癌症研究中心（DKFZ）的医学图像计算部门开发的Python软件包batchgenerators满足了我们所有深度学习数据增强的需求。尽管它尚未达到完美状态，但我们认为已经足够成熟可以与社区共享。如果遇到任何问题，请随时联系我们或通过GitHub提交问题报告。如果您使用该工具，请引用以下工作：Isensee Fabian, Jäger Paul, Wasserthal Jakob, Zimmerer David, Petersen Jens, Kohl Simon, Schock Justus, Klein Andre, Roß Tobias, Wirkert Sebastian, Neher Peter, Dinkelacker Stefan, Köhler Gregor, Maier-Hein Klaus (2020).

全部评论 (0)

还没有任何评论哟~
客服
客服
客服关闭
  • BatchGenerators: 适用于2D和3D图像分类与分割的数据增强工具包
    优质
    BatchGenerators是一款高效的数据增强工具包，专为2D和3D图像的分类及分割任务设计，助力深度学习模型训练。 在德国癌症研究中心（DKFZ）的医学图像计算部门开发的Python软件包batchgenerators满足了我们所有深度学习数据增强的需求。尽管它尚未达到完美状态，但我们认为已经足够成熟可以与社区共享。如果遇到任何问题，请随时联系我们或通过GitHub提交问题报告。如果您使用该工具，请引用以下工作：Isensee Fabian, Jäger Paul, Wasserthal Jakob, Zimmerer David, Petersen Jens, Kohl Simon, Schock Justus, Klein Andre, Roß Tobias, Wirkert Sebastian, Neher Peter, Dinkelacker Stefan, Köhler Gregor, Maier-Hein Klaus (2020).
  • VC++2008图像分割与增强程序
    优质
    《VC++2008图像分割与增强程序》是一本深入讲解使用Visual C++ 2008进行图像处理技术实现的专业书籍，涵盖图像分割、对比度调整及边缘检测等核心内容。书中提供了大量实用代码示例和详细注释，帮助读者快速掌握基于VC++的图像处理技巧，并应用于实际项目中。无论是初学者还是经验丰富的开发者，都能从中获益匪浅。 《图像分析与理解》课程的作业包含两部分功能：一是使用线性变换算法进行图像增强；二是采用Sobel算子进行边缘检测以实现图像分割。程序设计简洁明了，具有很高的参考价值。
  • 基于Swin-Transformer和Unet的自适应多尺度训练与多类别分割：针对BraTS 3D脑肿瘤图像的2D图片分割项目
    优质
    本项目采用Swin-Transformer结合Unet架构，创新性地引入了自适应多尺度训练策略，专为BraTS数据库中的3D脑肿瘤图像进行高效的2D切片级多类别分割。 项目介绍：总大小357MB 此项目基于Swin-Transformer和Unet架构，并结合自适应多尺度训练技术进行脑肿瘤的4类别分割任务。经过10个epochs的训练，全局像素点准确度已达到0.97。如果进一步增加训练轮数（epoch），其性能预计会更加优越。 代码介绍： 【训练】train脚本自动执行模型训练过程，并通过随机缩放数据至设定尺寸的0.5到1.5倍之间实现多尺度训练，以适应不同大小的数据输入。此外，在utils中的compute_gray函数负责将mask灰度值保存在txt文件中并定义网络输出通道数量。 【介绍】学习率采用余弦退火策略调整，并且损失和IOU曲线可以在run_results文件夹内查看。这些数据由matplotlib库绘制，训练日志、最佳模型权重等信息同样被妥善保存下来，在训练日志中可以找到每个类别的iou值、召回率、精确度以及全局像素点准确率。 【推理】将待预测的图像放置于inference目录下，并直接运行predict脚本即可完成推理过程，无需额外设置参数。 具体使用方法请参考README文件。该项目设计简单易用，即使是初学者也能轻松上手操作。
  • Frangi的Hessian矩阵血管增强方法，适用于2D和3D数据，可直接使用
    优质
    简介：Frangi的Hessian矩阵血管增强方法是一种广泛应用于医学图像处理的技术，特别擅长于二维和三维数据中的血管结构识别与增强。此方法无需预处理即可直接应用，有效提升血管特征的可视化效果。 Frangi最初提出的方法包括计算Hessian矩阵、特征值以及构造血管增强函数来进行血管增强处理。此方法的Matlab代码可以直接运行，并且特征值计算的部分是用C语言编写的，这使得整个算法容易转换为C或C++代码使用，非常有用。
  • 医学图像分割数据集：CT图像pancreas 2D分割数据包括横端面切片、冠状面切片及矢状面切片的二维分割数据以及进行的数据增强操作
    优质
    医学图像分割数据集：CT图像pancreas 2D分割数据涵盖横端面、冠状面、矢状面切分的二维影像数据，并结合了相应的数据增强技术。其中背景区域标记为0表示为空白区域，默认值通常设为背景区域标记为0；胰腺组织则标记为1以区分目标区域。该数据集分别从轴位面（横端面）、冠状面、矢状面对应部位提取二维影像进行处理。在切片过程中剔除ROI不足3%的数据样本以确保后续分析的有效性。通过数字图像处理的方式对影像进行了增强处理，并统一将所有样本缩放至512×512像素大小的标准，并采用PNG格式存储图片与标签以便于后续处理与分析工作。为了便于观察目标结构掩膜层的内容并辅助临床分析工作提供了可视化展示工具（show.py）。该医学影像数据集按照不同的解剖学维度进行分类包含以下三个主要维度的数据内容： x轴方向上包含了images目录下的所有影像文件及其对应的masks模板文件共计480张影像及对应的480个掩膜； y轴方向上包含了images目录下的所有影像文件及其对应的masks模板文件共计970张影像及对应的970个掩膜； z轴方向上包含了images目录下的所有影像文件及其对应的masks模板文件共计468张影像及对应的468个掩膜； 此外还附带了完整的分割代码资源链接供用户参考学习使用
  • 医学图像分割与ISIC 2016皮肤癌图像分割训练数据集（适用于Unet）
    优质
    本项目专注于医学图像分割技术，并利用ISIC 2016皮肤癌图像数据集进行模型训练和验证，特别适合用于改进和发展U-Net网络结构在皮肤病灶自动检测与分割的应用。 这是一个皮肤黑色素测试数据集，适用于医学图像分割领域，并且适合初学者复现代码和实战使用。
  • Matlab_SupResolDemo.rar_提升图像分辨率_图像增强工具
    优质
    这是一个名为Matlab_SupResolDemo的资源包，提供了使用MATLAB实现提高图像分辨率和进行图像增强功能的演示代码。 使用MATLAB编写的程序可以增强图像分辨率，使图像更加清晰。
  • Python图像数据增强代码，适用于深度学习的图像分割、合并及批量改名和尺寸标准化
    优质
    这段Python代码提供了一系列工具用于深度学习中图像处理，包括图像分割、合并以及批量重命名和尺寸标准化，特别适合于图像数据增强。 Python图像数据增强代码用于深度学习中的图像分割、合并以及批量化处理文件名和归一化大小。
  • 利用PyTorch和Albumentations进行数据增强分类
    优质
    本项目采用PyTorch框架及Albumentations库实现图像数据增强技术，旨在提高深度学习模型在图像分类任务中的准确性和泛化能力。 albumentations包是一种专门用于数据增强的API，包含了大量的数据增强方法，比pytorch自带的transform更为丰富且搭配使用效果更佳。以下是相关代码及示例： ```python import albumentations as A # 导入albumentations库，并简化为A import cv2 # 导入OpenCV库用于图像处理 from PIL import Image, ImageDraw # 使用PIL进行图片操作和绘制 import numpy as np # 引入numpy用于数值计算 # 定义数据增强方法，包括模糊、翻转等。 transform = A.Compose([ Blur(), Flip(), ShiftScaleRotate(), GridDistortion(), ElasticTransform(), HorizontalFlip(p=0.5), CenterCrop(224, 224) ]) ``` 通过上述代码可以实现多种数据增强操作，以提高模型的泛化能力。