pytorch nested unet

Implementação de Pytorch de UNET ++ (rede U aninhada)

Este repositório contém código para um modelo de segmentação de imagem com base em UNET ++: uma arquitetura de rede U aninhada para segmentação de imagens médicas implementada em Pytorch.

[ Novo ] Adicione suporte para conjunto de dados de segmentação de várias classes.

[ Novo ] Adicione suporte para Pytorch 1.x.

Requisitos

• Pytorch 1.x ou 0,41

Instalação

1. Crie um ambiente de Anaconda.

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

2. Instale o pytorch.

conda install pytorch torchvision cudatoolkit=10.1 -c pytorch

3. Instale os pacotes de PIP.

pip install -r requirements.txt

Treinamento em 2018 Data Science Bowl DataSet

1. Faça o download do conjunto de dados daqui para entradas/ e descompactação. A estrutura do arquivo é a seguinte:

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

2. Processo.

python preprocess_dsb2018.py

3. Treine o modelo.

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

4. Avaliar.

python val.py --name dsb2018_96_NestedUNet_woDS

(Opcional) usando Lovaszhingeloss

1. Clone Lovaszsoftmax de BermanMaxim/Lovaszsoftmax.

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

2. Treine o modelo com Lovaszhingeloss.

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

Treinamento no conjunto de dados original

Certifique -se de colocar os arquivos como a seguinte estrutura (por exemplo, o número de classes é 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. Treine o modelo.

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

2. Avaliar.

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

Resultados

DSB2018 (96x96)

Aqui estão os resultados no conjunto de dados DSB2018 (96x96) com Lovaszhingeloss.

Modelo	Iou	Perda
U-net	0,839	0,365
Net-Net aninhada	0,842	0,354
Rede U aninhada com Deepsupervision	0,843	0,362