pytorch nested unet

unet ++のpytorch実装（ネストされたu-net）

このリポジトリには、UNET ++に基づく画像セグメンテーションモデルのコードが含まれています。Pytorchで実装された医療画像セグメンテーション用のネストされたU-Netアーキテクチャが含まれています。

[新規]マルチクラスセグメンテーションデータセットのサポートを追加します。

[新規] Pytorch 1.xのサポートを追加します。

要件

• pytorch 1.xまたは0.41

インストール

1. アナコンダ環境を作成します。

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

2. Pytorchをインストールします。

conda install pytorch torchvision cudatoolkit=10.1 -c pytorch

3. PIPパッケージをインストールします。

pip install -r requirements.txt

2018年のデータサイエンスボウルデータセットのトレーニング

1. ここから入力/およびunzipにデータセットをダウンロードします。ファイル構造は次のとおりです。

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

2. プリプロース。

python preprocess_dsb2018.py

3. モデルをトレーニングします。

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

4. 評価する。

python val.py --name dsb2018_96_NestedUNet_woDS

（オプション）lovaszhingelossを使用します

1. Bermanmaxim/lovaszsoftmaxのクローンlovaszsoftmax。

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

2. Lovaszhingelossでモデルをトレーニングします。

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

元のデータセットでのトレーニング

ファイルを次の構造として必ず配置してください（たとえば、クラスの数は2です）。

 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. モデルをトレーニングします。

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

2. 評価する。

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

結果

DSB2018（96x96）

Lovaszhingelossを使用したDSB2018データセット（96x96）の結果を以下に示します。

モデル	iou	損失
u-net	0.839	0.365
ネストされたu-net	0.842	0.354
deepsupervision w/ deepsupervisionのネストされたu-net	0.843	0.362