TransUnet项目优化方案，并融入SAM提示推理：腹部13个器官图像分割（基于MICCAI FLARE数据集）。

5星

浏览量: 0

大小:None

文件类型：7Z

简介：
通过对TransUnet改进项目的优化，并整合了SAM模型的提示推理机制，成功地完成了腹部13个器官图像的分割任务，该任务使用了MICCAI FLARE数据集。代码进行了对Sam提示框和TransUnet的融合与优化，以利于对比实验的进行，提供了多种优化器供选择，包括SGD、Adam和RMSProp。此外，学习率衰减策略采用了余弦退火算法，并对损失函数进行了改进，采用dice损失函数与BCE损失函数的组合。评估指标包括dice和IoU，图表部分展示了runs下的训练集和验证集的曲线图。该推理脚本名为【infer.py】，其运行结果会生成一个用户界面。用户在界面上绘制完毕提示信息后，系统将自动进行推理处理，并最终呈现出包含GT图像以及img与gt图像掩膜的成果。本项目经过了100个循环迭代的训练过程。在训练过程中，我们记录了以下各项指标：首先是循环迭代次数，即100；其次是训练阶段的损失值，为0.0668；随后是训练阶段的Dice系数，为0.9558；接着是训练阶段的IoU系数，为0.9161。此外，我们还记录了验证阶段的损失值，为0.071；验证阶段的Dice系数，为0.9538；以及验证阶段的IoU系数，为0.9125。这些指标从左到右依次代表循环迭代次数、训练损失、训练Dice系数、训练IoU系数、验证损失、验证Dice系数和验证IoU系数。请查阅该博客，其中包含了大量关于unet技术的改进方案，并会持续更新相关内容。

全部评论 (0)

还没有任何评论哟~

客服

基于Unet与SAM融合的提示框Prompt在腹部多器官分割中的应用：实战代码、数据集及训练成果分析

优质

本研究结合Unet和SAM模型，创新性地引入了提示框Prompt机制，专门应用于腹部多器官的精确分割。通过详细的数据集处理、模型训练以及实验结果分析，展示了该方法在提高分割精度与效率方面的优越性能。文中还提供了实战代码供读者参考学习。本项目使用PyTorch实现，结合SAM的提示框功能对腹部多脏器进行分割训练与测试。代码包含完整的训练脚本以及一个提供用户界面（UI）的单张图片推理部分，允许通过绘制边界框来完成UNet和SAM模型的联合分割操作。

腹部15个器官分割-Unet2d-master.zip

优质

这是一个使用Unet2D架构进行腹部CT图像中15种不同器官自动分割的深度学习项目。代码和预训练模型可在提供的ZIP文件中获取。 Unet2d-master 腹部15个器官分割.zip包含了用于腹部多个器官的分割工具和数据集。

基于TransUnet与Swin-Unet的医学图像语义分割对比研究：针对腹部器官的多类别分割

优质

本研究探讨了TransUnet和Swin-Unet在腹部器官多类别分割任务中的性能差异，旨在为医学影像分析提供有效算法选择。数据集用于腹部器官多类别图像的语义分割任务，Dice系数约为0.8，IoU为0.7，存储在data目录下的训练集和验证集中。代码支持一键运行，并提供两种网络模型供选择：TransUnet 和 Swin-Unet。学习率采用cos余弦退火算法调整，可以通过修改base-size参数来适应大尺度数据的训练需求。优化器使用了AdamW。评估指标包括Dice系数、IoU、召回率（recall）、精确度（precision）、F1分数以及像素准确率等，代码会在每个epoch结束后对训练集和验证集进行自动评估，并将结果保存在runs目录下的json文件中。推理阶段采用可视化界面操作：运行infer脚本后会启动本地网页服务，用户可以通过上传图片来查看模型的分割效果。

使用Transformer-Unet进行腹部多器官13类别分割的实践教程【含代码、数据集和训练成果】

优质

本教程详细介绍如何利用Transformer-U-Net模型对腹部CT图像中的13种器官进行精准分割，包含详细代码、高质量数据集及训练结果展示。腹部多脏器包含13个类别：0. 背景 1. 脾脏 2. 右肾 3. 左肾 4. 胆囊 5. 食道 6. 肝脏 7. 胃 8. 主动脉 9. 下腔静脉 10.门静脉和脾静脉 11.胰腺 12右肾上腺 13左肾上腺训练参数使用优化器AdamW，学习率衰减策略采用余弦退火算法，损失函数为交叉熵。 train脚本会生成针对训练集、验证集的loss曲线、iou曲线、学习率变化情况以及数据可视化图像，并且在完成整个过程后输出最终和最佳权重文件。 evaluate 脚本用于评估模型性能，在测试集中计算出iou值、召回率（recall）、精确度（precision）及像素准确率等指标。训练集用于网络拟合，验证集则用来调整参数设置，而测试集的作用在于评价整个模型的效能。 predice脚本负责推理图像处理，并生成预测结果与原始图像叠加后的掩膜图。代码中包含详细注释，方便用户自行下载查看；若需使用自己的数据进行训练，请参考README文件中的指示操作即可实现简单快捷地运行流程。在经过100个epoch的训练后，模型在测试集上的表现达到了像素准确率98.8%，平均iou为75.5%。

腹部胰腺图像分割的医学数据集（含训练与测试集及标签）

优质

本数据集包含用于腹部胰腺图像分割的高质量医学影像及其标注信息，内部分为训练和测试两大部分，旨在促进相关领域研究与应用的发展。医学图像分割数据集：腹部胰腺图像分割数据集（包含训练集和测试集、标签）【2类别的分割，背景、胰腺】数据集介绍：该数据集分为训练集和测试集。训练集包括images图片目录和masks模板目录，共有约370张图片及其对应的mask图片。测试集同样由images图片目录和masks模板目录组成，包含大约90张图片及相应的mask图像。此外，还提供了一个用于图像分割的可视化脚本。该脚本能随机选取一张图，并展示其原始图像、GT（Ground Truth）图像以及在原图上的GT蒙版效果，并将结果保存至当前文件夹中。医学图像分割网络介绍：相关文章对医学图像分割网络进行了详细的说明，包括模型的设计思路和实现方法等细节。

基于FCN网络的腹部多脏器5分割实战数据分析

优质

本研究运用全卷积神经网络（FCN）技术进行腹部CT图像处理，专注于自动化识别与分割肝脏、肾脏等五种重要器官，提供精准医疗分析支持。本项目基于FCN网络对腹部多脏器数据集进行处理，并包含数据集、代码及训练好的权重文件。经测试，可以直接使用提供的代码。该数据集中包括五种器官的分割任务，采用FCN网络经过20个epoch的训练后，在全局像素点准确度上达到了0.99，miou为0.80；若增加训练周期，则性能将进一步提升。项目中的主要文件如下：【train.py】此代码会根据标签灰度值自动计算并获取FCN网络输出结果。可以根据不同的任务需求调整超参数backbone（可以选择resnet50或resnet101作为特征提取的主干），同时为了更好的可视化效果，该脚本还会将预处理后的数据保存在指定目录中。【介绍】学习率采用余弦退火算法进行优化；损失函数选用交叉熵，并使用了收敛速度更快的Adam优化器。训练集和测试集中关于损失值及iou曲线的数据可以在run_results文件夹内查看，此外还保存有详细的训练日志、最佳权重等信息，在这些记录中可以看到每个类别的iou、召回率（recall）、精确度（precision）以及全局像素点准确率。【predict.py】将待推理的图像放在inference目录下，并直接运行预测脚本即可完成任务。具体操作方法请参考README文件，即使是初学者也能轻松上手。

基于Unet-MobileNet的腹部肝脏图像分割实战代码【含完整代码和数据集等】

优质

本项目提供了一套基于Unet-MobileNet模型进行腹部肝脏图像自动分割的实战教程与代码实现，包含详尽的数据预处理、模型训练及评估步骤，并附有开源代码和数据集。基于Unet-Mobilenet的腹部肝脏图像分割实战代码提供了完整的数据集及训练脚本，并增加了新的评估指标如loss、iou、dice、recall以及precision及其对应的平均值（mean）。此外，还生成了各类别的曲线图与平均值的曲线图（针对训练集和验证集）。该项目使用LIver数据集进行模型训练。经过100个epoch后，验证集中各指标如下： - 精确率 (Precision): [0.9846, 0.9590] - 召回率 (Recall): [0.9958, 0.8642] - IoU: [0.9805, 0.8334] - Dice系数: [0.9901, 0.9092] 平均值为： - 平均精确率 (Mean Precision): 0.9718 - 平均召回率 (Mean Recall): 0.9300 - 平均Dice系数 (Mean Dice): 0.9497 - 平均IoU: 0.9070 如需使用自己的数据集进行训练，可以参考项目中的readme文件。