Unet Segmentation Pytorch Nest of Unets

Segmation-segmation-Pytorch-Nest de unidades

Implementación de diferentes tipos de modelos de unlo para la segmentación de imágenes

1. Unet - U -Net: redes convolucionales para la segmentación de imágenes biomédicas https://arxiv.org/abs/1505.04597

2. RCNN-Unet -Red neural convolucional residual recurrente basada en U-Net (R2U-NET) para la segmentación de imágenes médicas https://arxiv.org/abs/1802.06955

3. Atención Unet - Atención U -Net: Aprendiendo dónde buscar el páncreas https://arxiv.org/abs/1804.03999

4. RCNN-ATENCIÓN UNET -ATENCIÓN R2U-NET: Just Integración de dos obras avanzadas recientes (R2U-NET + Atención U-Net)

5. Nestion Unet - Unet ++: una arquitectura anidada de U -Net para la segmentación de imágenes médicas https://arxiv.org/abs/1807.10165

Con visualización de capa

1. Comenzando

Clon el repositorio:

git clone https://github.com/bigmb/Unet-Segmentation-Pytorch-Nest-of-Unets.git

2. Requisitos

 python>=3.6
torch>=0.4.0
torchvision
torchsummary
tensorboardx
natsort
numpy
pillow
scipy
scikit-image
sklearn

Instale todas las bibliotecas dependientes:

pip install -r requirements.txt

3. Ejecute el archivo

Agregue todas sus carpetas a esta línea 106-113

 t_data = '' # Input data
l_data = '' #Input Label
test_image = '' #Image to be predicted while training
test_label = '' #Label of the prediction Image
test_folderP = '' #Test folder Image
test_folderL = '' #Test folder Label for calculating the Dice score

4. Tipos de unlo

Unena

Rcnn unet

Atención un metro

Atención-rcnn unt

Unes

5. Visualización

Para trazar la pérdida, se requeriría Visdom. El código ya está escrito, solo incomment la parte requerida. El flujo de gradiente también se puede usar. Tomado de (https://discuss.pytorch.org/t/check-cradient-flow-in-network/15063/10)

Se crea una carpeta de modelo y se almacenan todos los datos dentro de eso. La última capa se guardará en la carpeta del modelo. Si se requiere una capa particular, mencione en la línea 361.

Visulación de capas

Visulación de filtro

TensorBoardX todavía tiene que ajustar algunos parámetros para obtener visualización. Han confundido esto tratando de hacer que Pytorch 1.1.0 funcione directamente con TensorBoard (y luego llegué a saber que actualmente no admite nada aparte de los gráficos lineales)

Visulización de la imagen de entrada para verificar

a) Imagen original

b) Imagen de CenterCrop

6. Resultados

Puntuación de dados para la segmentación del hipocampo Adni-Loni DataSet

7. Cita

Si lo encuentra útil para su trabajo.

 @article{DBLP:journals/corr/abs-1906-07160,
  author    = {Malav Bateriwala and
               Pierrick Bourgeat},
  title     = {Enforcing temporal consistency in Deep Learning segmentation of brain
               {MR} images},
  journal   = {CoRR},
  volume    = {abs/1906.07160},
  year      = {2019},
  url       = {http://arxiv.org/abs/1906.07160},
  archivePrefix = {arXiv},
  eprint    = {1906.07160},
  timestamp = {Mon, 24 Jun 2019 17:28:45 +0200},
  biburl    = {https://dblp.org/rec/bib/journals/corr/abs-1906-07160},
  bibsource = {dblp computer science bibliography, https://dblp.org}
}

8. Blog sobre diferentes unes

 In progress