pytorch nested unet

Implementación de Pytorch de UNET ++ (NET anidada)

Este repositorio contiene código para un modelo de segmentación de imágenes basado en UNET ++: una arquitectura de red en U anidada para la segmentación de imágenes médicas implementada en Pytorch.

[ Nuevo ] Agregar soporte para el conjunto de datos de segmentación de múltiples clases.

[ Nuevo ] Agregar soporte para Pytorch 1.x.

Requisitos

• Pytorch 1.x o 0.41

Instalación

1. Crea un entorno de Anaconda.

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

2. Instale Pytorch.

conda install pytorch torchvision cudatoolkit=10.1 -c pytorch

3. Instale paquetes PIP.

pip install -r requirements.txt

Entrenamiento en 2018 Data Science Bowl DataSet 2018

1. Descargue el conjunto de datos desde aquí a entradas/ y descomprimirse. La estructura del archivo es la siguiente:

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

2. Preproceso.

python preprocess_dsb2018.py

3. Entrena el modelo.

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

4. Evaluar.

python val.py --name dsb2018_96_NestedUNet_woDS

(Opcional) Uso de Lovaszhingeloss

1. Clone Lovaszsoftmax de Bermanmaxim/Lovaszsoftmax.

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

2. Entrena el modelo con Lovaszhingeloss.

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

Capacitación en el conjunto de datos original

Asegúrese de poner los archivos como la siguiente estructura (por ejemplo, el número de clases es 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. Entrena el modelo.

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

2. Evaluar.

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

Resultados

DSB2018 (96x96)

Aquí están los resultados en el conjunto de datos DSB2018 (96x96) con Lovaszhingeloss.

Modelo	IOU	Pérdida
Net	0.839	0.365
Anidada	0.842	0.354
NET anidada con profundo	0.843	0.362