Unet Segmentation Pytorch Nest of Unets download -UNET Unet Segmentation Pytorch Nest of Unets源代碼下載

Unet Segmentation Pytorch Nest of Unets

Python

1.0.0

下載

UNET細分 - 紐約州

實施不同類型的UNET模型以進行圖像分割

UNET -U -NET：生物醫學圖像分割的捲積網絡https://arxiv.org/abs/1505.04597
RCNN-UNET-基於U-NET（R2U-NET）的複發性殘留卷積神經網絡，用於醫療圖像分割https://arxiv.org/abs/1802.06955
注意UNET-注意u -net：學習在哪裡尋找胰腺https://arxiv.org/abs/1804.03999
RCNN注意UNET-注意R2U-NET：僅僅集成了兩項最近的高級作品（R2U-NET +注意U-NET）

嵌套UNET -UNET ++：醫療圖像分割的嵌套U -NET體系結構https://arxiv.org/abs/1807.10165

具有圖層可視化

1。入門

克隆回購：

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

安裝所有依賴庫：

pip install -r requirements.txt

3。運行文件

將所有文件夾添加到此行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的類型

UNET UNET1

rcnn unet R2unet

注意unet att-unet

注意 - rcnn unet att-r2u

嵌套的unet

5。可視化

要繪製損失，需要見點。代碼已經編寫，只需輸入所需的部分即可。梯度流也可以使用。取自（https://discuss.pytorch.org/t/check-gradient-flow-in-network/15063/10）

創建了一個模型文件夾，所有數據都存儲在其中。最後一層將保存在模型文件夾中。如果需要任何特定的層，請在第361行中提及。

層的信服

濾波器的粘性

FILT1

TensorboardX仍然必須調整一些參數才能獲得可視化。試圖使Pytorch 1.1.0直接使用Tensorboard（然後知道當前都不支持除線性圖以外的任何內容）

用於檢查的輸入圖像吸引力

a）原始圖像

b）中心旋轉圖像

6。結果

海馬分段的骰子分數ADNI-LONI數據集

7。引用

如果您發現它對您的工作有用。

 @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}
}