Advertisement

腹部15个器官分割-Unet2d-master.zip

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


简介:
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。

全部评论 (0)

还没有任何评论哟~
客服
客服
  • 15-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的医学图像语义对比研究:针对的多类别
    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。
  • 基于FCN网络的多脏5实战数据
    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Swin-Transformer和Unet的项目:采用自适应多尺度训练进行五类
    优质
    本项目结合了Swin-Transformer与U-Net架构,通过创新性的自适应多尺度训练策略,实现了对腹部五种关键器官的精准自动分割。 项目介绍:数据集大小为234MB。 本项目使用的是腹部多脏器5类别分割数据集。 网络在训练了300个epochs后,全局像素点的准确度达到0.989,miou值为0.814。如果进一步增加训练epoch数,性能预计会更优。 代码介绍: 【训练】train 脚本自动执行模型训练任务,并将数据随机缩放至设定尺寸的0.5到1.5倍之间以实现多尺度训练。在utils中的compute_gray函数中保存了mask灰度值于txt文本段落件,同时自动生成网络输出层所需的通道数。 【介绍】学习率采用cosine衰减策略,在run_results目录下可以查看训练集和测试集的损失及IOU曲线图,这些图像由matplotlib库生成。此外还保存有训练日志、最佳权重等信息,其中包含每个类别的IOU值、召回率、精确度以及全局像素点准确率。 【推理】将需要进行预测的图片放置于inference文件夹下,并运行predict脚本即可完成预测过程。 具体使用方法可参考README文档。此项目设计简单易用,适合初学者操作。
  • 使用Transformer-Unet进行13类别的实践教程【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%。
  • LIDC-IDRI-结节-master.zip
    优质
    LIDC-IDRI-结节分割-master 是一个包含肺部CT影像数据及标注信息的数据集,主要用于肺癌早期检测中肺结节自动分割算法的研究与开发。 这是一段我最近修改过的Python肺结节分割代码,旨在为初学者提供参考并启发思路。欢迎大家下载参考,希望这段代码能够给大家带来帮助。
  • 的Synapse多数据集
    优质
    简介:Synapse多器官数据集是专为提高多器官自动分割技术而设计的一套高质量医学影像数据集,涵盖多种人体器官,适用于深度学习模型训练与验证。 To access the Synapse multi-organ dataset, follow these steps: 1. Sign up on the official Synapse website and download the dataset. 2. Convert the data to numpy format. 3. Clip the images within the range of [-125, 275]. 4. Normalize each 3D image to [0, 1]. 5. For training cases, extract 2D slices from the 3D volume. 6. Keep the 3D volumes in h5 format for testing cases.