pytorch nested unet

Pytorch-Implementierung von UNET ++ (verschachtelte U-NET)

Dieses Repository enthält Code für ein Bildsegmentierungsmodell, das auf UNET ++ basiert: einer verschachtelten U-NET-Architektur für die in PyTorch implementierte medizinische Bildsegmentierung.

[ Neu ] Unterstützung für das Segmentierungsdatensatz für Multi-Klasse-Segmentierung.

[ Neu ] Unterstützung für Pytorch 1.x.

Anforderungen

• Pytorch 1.x oder 0,41

Installation

1. Erstellen Sie eine Anaconda -Umgebung.

conda create -n= < env_name > python=3.6 anaconda
conda activate < env_name >

2. Pytorch installieren.

conda install pytorch torchvision cudatoolkit=10.1 -c pytorch

3. PIP -Pakete installieren.

pip install -r requirements.txt

Schulung zum Datensatz von Data Science Bowl 2018

1. Laden Sie den Datensatz von hier herunter, um Inputs/ und Unzipp zu entfernen. Die Dateistruktur ist die folgende:

 inputs
└── data-science-bowl-2018
    ├── stage1_train
    |   ├── 00ae65...
    │   │   ├── images
    │   │   │   └── 00ae65...
    │   │   └── masks
    │   │       └── 00ae65...            
    │   ├── ...
    |
    ...

2. Vorverarbeitung.

python preprocess_dsb2018.py

3. Trainieren Sie das Modell.

python train.py --dataset dsb2018_96 --arch NestedUNet

4. Auswerten.

python val.py --name dsb2018_96_NestedUNet_woDS

(Optional) Mit Lovaszhingeloss

1. Clone Lovaszsoftmax von Bermanmaxim/LovaszsoftMax.

 git clone https://github.com/bermanmaxim/LovaszSoftmax.git

2. Trainieren Sie das Modell mit Lovaszhingeloss.

 python train.py --dataset dsb2018_96 --arch NestedUNet --loss LovaszHingeLoss

Training auf Originaldatensatz

Stellen Sie sicher, dass Sie die Dateien als folgende Struktur eingeben (z. B. die Anzahl der Klassen ist 2):

 inputs
└── <dataset name>
    ├── images
    |   ├── 0a7e06.jpg
    │   ├── 0aab0a.jpg
    │   ├── 0b1761.jpg
    │   ├── ...
    |
    └── masks
        ├── 0
        |   ├── 0a7e06.png
        |   ├── 0aab0a.png
        |   ├── 0b1761.png
        |   ├── ...
        |
        └── 1
            ├── 0a7e06.png
            ├── 0aab0a.png
            ├── 0b1761.png
            ├── ...

1. Trainieren Sie das Modell.

 python train.py --dataset <dataset name> --arch NestedUNet --img_ext .jpg --mask_ext .png

2. Auswerten.

 python val.py --name <dataset name>_NestedUNet_woDS

Ergebnisse

DSB2018 (96x96)

Hier finden Sie die Ergebnisse im DSB2018 -Datensatz (96x96) mit Lovaszhingeloss.

Modell	Iou	Verlust
U-net	0,839	0,365
Verschachtelte U-Net	0,842	0,354
Verschachtelte U-Net mit DeepSupervision	0,843	0,362