Unet Segmentation Pytorch Nest of Unets download -UNET Unet Segmentation Pytorch Nest of Unets源代码下载

Unet Segmentation Pytorch Nest of Unets

Python

1.0.0

下载

UNET细分 - 纽约州

实施不同类型的UNET模型以进行图像分割

UNET -U -NET：生物医学图像分割的卷积网络https://arxiv.org/abs/1505.04597
RCNN-UNET-基于U-NET（R2U-NET）的复发性残留卷积神经网络，用于医疗图像分割https://arxiv.org/abs/1802.06955
注意UNET-注意u -net：学习在哪里寻找胰腺https://arxiv.org/abs/1804.03999
RCNN注意UNET-注意R2U-NET：仅仅集成了两项最近的高级作品（R2U-NET +注意U-NET）

嵌套UNET -UNET ++：医疗图像分割的嵌套U -NET体系结构https://arxiv.org/abs/1807.10165

具有图层可视化

1。入门

克隆回购：

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

2。要求

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

安装所有依赖库：

pip install -r requirements.txt

3。运行文件

将所有文件夹添加到此行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。UNET的类型

UNET UNET1

rcnn unet R2unet

注意unet att-unet

注意 - rcnn unet att-r2u

嵌套的unet

5。可视化

要绘制损失，需要见点。代码已经编写，只需输入所需的部分即可。梯度流也可以使用。取自（https://discuss.pytorch.org/t/check-gradient-flow-in-network/15063/10）

创建了一个模型文件夹，所有数据都存储在其中。最后一层将保存在模型文件夹中。如果需要任何特定的层，请在第361行中提及。

层的信服

滤波器的粘性

FILT1

TensorboardX仍然必须调整一些参数才能获得可视化。试图使Pytorch 1.1.0直接使用Tensorboard（然后知道当前都不支持除线性图以外的任何内容）

用于检查的输入图像吸引力

a）原始图像

b）中心旋转图像

6。结果

海马分段的骰子分数ADNI-LONI数据集

7。引用

如果您发现它对您的工作有用。

 @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}
}