Unet Segmentation Pytorch Nest of Unets download - Unet Segmentation Pytorch Nest of Unets

Unet Segmentation Pytorch Nest of Unets

Pitão

1.0.0

Baixar

Uneg-segmentation-Pytorch-Nest-of-Unets

Implementação de diferentes tipos de modelos unet para segmentação de imagens

UNET - U -NET: Redes convolucionais para segmentação de imagem biomédica https://arxiv.org/abs/1505.04597
RCNN-Unet -Rede neural convolucional residual recorrente com base no U-Net (R2U-NET) para segmentação de imagens médicas https://arxiv.org/abs/1802.06955
ATENÇÃO UNET - ATENÇÃO U -NET: Aprendendo onde procurar o Pancreas https://arxiv.org/abs/1804.03999
RCNN-ATTENÇÃO UNET -ATENÇÃO R2U-NET: Apenas integração de dois trabalhos avançados recentes (R2U-Net + Atenção U-Net)

Ninhado UNET - UNET ++: Uma arquitetura de rede U aninhada para segmentação de imagens médicas https://arxiv.org/abs/1807.10165

Com visualização da camada

1. Introdução

Clone o repo:

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 as bibliotecas dependentes:

pip install -r requirements.txt

3. Execute o arquivo

Adicione todas as suas pastas a esta linha 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 UNET

UNET UNET1

Rcnn unet r2unet

Atenção inart att-unet

Atenção rcnn unet ATT-R2U

Aninhado unet

aninhado

5. Visualização

Para plotar a perda, seria necessário o visdão. O código já está escrito, apenas o descomamento da peça necessária. O fluxo de gradiente também pode ser usado. Retirado de (https://discuss.pytorch.org/t/check-gradient-flow-in-network/15063/10)

Uma pasta modelo é criada e todos os dados são armazenados dentro disso. A última camada será salva na pasta do modelo. Se for necessária uma camada específica, mencione -a na linha 361.

Visulização da camada

Visulização do filtro

filt1

O TensorboardX ainda precisa ajustar alguns parâmetros para obter visualização. Estraguei isso tentando fazer do Pytorch 1.1.0 trabalhar com o Tensorboard diretamente (e depois sabe que atualmente não suporta nada além dos gráficos lineares)

Visulização da imagem de entrada para verificação

a) imagem original

b) imagem centralcrop

6. Resultados

Pontuação de dados para o conjunto de dados de segmentação do hipocampo Adni-Loni

7. Citação

Se você achar útil para o seu trabalho.

 @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}
}