Unet Segmentation Pytorch Nest of Unets 다운로드 -UNET Unet Segmentation Pytorch Nest of Unets 소스 코드 다운로드

Unet Segmentation Pytorch Nest of Unets

파이썬

1.0.0

다운로드

unet- 세분화-파이터-나이트-니트

이미지 세분화를위한 다양한 종류의 UNET 모델 구현

UNET -U -NET : 생의학 이미지 세분화를위한 컨볼 루션 네트워크 https://arxiv.org/abs/1505.04597
RCNN-UNET- 의료 이미지 세분화에 대한 U-NET (R2U-NET)를 기반으로 한 재발 성 잔류 컨볼 루션 신경 네트워크 https://arxiv.org/abs/1802.06955
주의 UNET- 관심 U -Net : 췌장을 찾아야 할 곳 https://arxiv.org/abs/1804.03999
RCNN-INTENTION UNET- 관심 R2U-NET : 최근 두 개의 고급 작품의 통합 (R2U-NET +주의 U-NET)

중첩 UNET -UNET ++ : 의료 이미지 세분화를위한 중첩 U -Net 아키텍처 https://arxiv.org/abs/1807.10165

레이어 시각화와 함께

1. 시작하기

레포를 복제하십시오 :

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

2. 요구 사항

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

모든 종속 라이브러리 설치 :

pip install -r requirements.txt

3. 파일을 실행하십시오

이 줄 106-113에 모든 폴더를 추가하십시오

 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. Unet의 유형

unet UNET1

rcnn unet R2Unet

관심을받지 않습니다 att-unet

관심 -RCNN Unet ATT-R2U

중첩되지 않은

5. 시각화

손실을 음모하려면 볼이 필요합니다. 코드는 이미 작성되었으며 필요한 부분을 무의미하게 만듭니다. 그라디언트 흐름도 사용할 수 있습니다. (https://discuss.pytorch.org/t/check-gradient-flow-in-network/15063/10)

모델 폴더가 생성되고 모든 데이터가 그 안에 저장됩니다. 마지막 레이어는 모델 폴더에 저장됩니다. 특정 층이 필요한 경우 361 행에 언급하십시오.

계층 방문

필터 방문

filt1

Tensorboardx는 여전히 시각화를 얻으려면 일부 매개 변수를 조정해야합니다. Pytorch 1.1.0을 Tensorboard로 직접 작업하게 만들려고 노력했습니다.

확인을위한 입력 이미지 방문

a) 원본 이미지

b) 센터 크롭 이미지

6. 결과

해마 세분화 Adni-Loni 데이터 세트에 대한 주사위 점수

7. 인용

당신이 당신의 일에 유용하다고 생각한다면.

 @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}
}