pytorch nested unet

การใช้งาน Pytorch ของ UNET ++ (ซ้อน U-NET)

พื้นที่เก็บข้อมูลนี้มีรหัสสำหรับรูปแบบการแบ่งส่วนรูปภาพตาม UNET ++: สถาปัตยกรรม U-Net ที่ซ้อนกันสำหรับการแบ่งส่วนภาพทางการแพทย์ที่ใช้ใน Pytorch

[ ใหม่ ] เพิ่มการสนับสนุนสำหรับชุดข้อมูลการแบ่งส่วนหลายชั้น

[ ใหม่ ] เพิ่มการสนับสนุนสำหรับ pytorch 1.x

ความต้องการ

• Pytorch 1.x หรือ 0.41

การติดตั้ง

1. สร้างสภาพแวดล้อม Anaconda

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

2. ติดตั้ง pytorch

conda install pytorch torchvision cudatoolkit=10.1 -c pytorch

3. ติดตั้งแพ็คเกจ PIP

pip install -r requirements.txt

การฝึกอบรมชุดข้อมูลชามวิทยาศาสตร์ข้อมูล 2018

1. ดาวน์โหลดชุดข้อมูลจากที่นี่ไปยังอินพุต/ และ UNZIP โครงสร้างไฟล์มีดังต่อไปนี้:

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

2. ประมวลผลล่วงหน้า

python preprocess_dsb2018.py

3. ฝึกอบรมแบบจำลอง

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

4. ประเมิน.

python val.py --name dsb2018_96_NestedUNet_woDS

(ไม่บังคับ) โดยใช้ Lovaszhingeloss

1. Clone Lovaszsoftmax จาก Bermanmaxim/Lovaszsoftmax

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

2. ฝึกอบรมแบบจำลองด้วย Lovaszhingeloss

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

การฝึกอบรมเกี่ยวกับชุดข้อมูลต้นฉบับ

ตรวจสอบให้แน่ใจว่าได้วางไฟล์เป็นโครงสร้างต่อไปนี้ (เช่นจำนวนคลาสคือ 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. ฝึกอบรมแบบจำลอง

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

2. ประเมิน.

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

ผลลัพธ์

DSB2018 (96x96)

นี่คือผลลัพธ์ในชุดข้อมูล DSB2018 (96x96) กับ Lovaszhingeloss

แบบอย่าง	iou	การสูญเสีย
u-net	0.839	0.365
U-Net ซ้อนกัน	0.842	0.354
ซ้อน u-net w/ deepsupervision	0.843	0.362