基于网页版推理的ResUNet和UNet在医学图像分割中的应用：以BUSI数据集为例的超声乳腺疾病分割项目

简介：
本项目采用ResUNet与UNet模型，在BUSI数据集中进行超声乳腺疾病的自动分割，旨在提高医学影像分析效率及准确性。 数据集使用的是超声乳腺疾病分割(BUSI)数据集，在该数据集中dice值约为0.82。数据被划分成训练集和验证集，并存储在data目录下。 代码可以一键运行，支持ResUNet和UNet两种网络结构供用户选择，学习率采用cos余弦退火算法进行调整。若需扩大训练规模，只需修改base-size参数即可。优化器选用的是AdamW。评估指标包括dice、iou、recall、precision、f1以及pixel accuracy等，代码会对训练集与验证集的结果进行评估，并将结果保存在runs目录下的json文件中。 网络推理时采用可视化方式，在运行infer脚本后会自动打开本地网页界面，用户可在此上传图片以获取推理结果。