使用U-Net进行肺结节分割案例分析：DSB3Tutorial

使用U-Net进行肺结节分割案例分析：DSB3Tutorial

本文要分析的代码作者是jonrmulholland，这里是其链接地址
数据集：LUNA 2016，这里是LUNA2016数据集详细说明链接
重要文件介绍：LUNA_mask_extraction.py，LUNA_segment_lung_ROI.py，LUNA_train_unet.py

第一步：运行LUNA_mask_extraction.py，生产images_#.npy，masks_#.npy
该步骤主要是生产掩码文件，该掩码文件作为实验的输出结果，运行成功后，可以通过下列代码查看结果：

#查看掩码生成的文件
def CheckImageMask():working_path = "./tutorial/"imgs = np.load(working_path + 'images_0001_0009.npy')lungmask = np.load(working_path + 'masks_0001_0009.npy')# np.set_printoptions(threshold=np.inf)# print("numpy 打印显示不全处理")# print(lungmask)# print(imgs[0])# print(imgs[0] * lungmask[0])for i in range(len(imgs)):print("image:",i)fig, ax = plt.subplots(2, 2, figsize=[8, 8])ax[0, 0].imshow(imgs[i], cmap='gray')ax[0, 1].imshow(lungmask[i], cmap='gray')ax[1, 0].imshow(imgs[i] * lungmask[i], cmap='gray')plt.show()input("hit enter to cont : ")

得到结果如下：

第二步：运行LUNA_segment_lung_ROI.py，生产trainImages.npy，trainMasks.npy，testImages.npy，testMasks.npy
该步骤主要进行肺实质的分割，该代码的思路是采用基于二值化的方法，分割好肺实质的后，图像重新resize到512*512，同样的方法对mask结果也进行处理。
第二步完成后，可以通过下列代码查看结果：

def CheckLungMask():imgs = np.load(working_path + 'images_0003_0024.npy')masks = np.load(working_path + 'masks_0003_0024.npy')lungmask = np.load(working_path + 'lungmask_0003_0024.npy')# np.set_printoptions(threshold=np.inf)# print("numpy 打印显示不全处理")# print(lungmask)for i in range(len(imgs)):print("image:", i)fig, ax = plt.subplots(2, 2, figsize=[8, 8])ax[0, 0].imshow(imgs[i], cmap='gray')ax[0, 1].imshow(lungmask[i], cmap='gray')ax[1, 0].imshow(imgs[i] * lungmask[i], cmap='gray')ax[1, 1].imshow(masks[i], cmap='gray')plt.show()input("hit enter to cont : ")

结果图如下：

第三步：运行LUNA_train_unet.py，训练U-Net模型
本文使用显卡为GTX1060，设置为20个epoch，训练集大小为307，批量大小为2。运行后dice系数大约0.3
结果保存在masksTestPredicted.npy中，查看了一下结果：一片黑，没有任何东西
分割效果非常不理想，why? 步骤是完全按照文档一步步进行的
分析原理：
1.查看了部分肺实质分割结果，发现有一下分割效果很差的，难道是因为这样？
2.原实验是使用使用TitanX训练得到的，太贵了，我是买不起，我个人用的是GXT1060，难道是因为这样？
3.dice系数才0.3，这个也太低了
后续继续分析原因…

使用U-Net进行肺结节分割案例分析：DSB3Tutorial相关推荐

全卷积神经网路【U-net项目实战】肺结节分割案例分析：DSB3Tutorial
文章目录本文要分析的代码作者是jonrmulholland 数据集: 重要文件介绍: 第一步:运行LUNA_mask_extraction.py,生产images_#.npy,masks_#.npy ...
U-Det：一种改进的双向特征网络U-Net结构用于肺结节分割
关注上方"深度学习技术前沿",选择"星标公众号", 资源干货,第一时间送达! 肺癌的早期诊断和分析涉及在计算机断层扫描(CT)图像中进行精确而有效的肺结节分割. ...
【2020论文】U-Det：一种改进的双向特征网络U-Net结构用于肺结节分割
关注上方"深度学习技术前沿",选择"星标公众号", 资源干货,第一时间送达! 肺癌的早期诊断和分析涉及在计算机断层扫描(CT)图像中进行精确而有效的肺结节分割. ...
基于影像基因的肺结节分割、肺癌分类分期、CT影像预测基因突变 --董云云论文阅读
一.背景.问题引入肺癌是世界范围内发病率和死亡率最高的恶性肿瘤之一.根据世界卫生组织的调查结果显示,世界范围内每年因患肺癌死亡的病例数不低于 160 万 .早期肺癌的诊断较为困难,约 75%的患者在 ...
【深度学习】肺结节分割项目实战一：处理数据集
主要参考此教程完成的实验一.LIDC-IDRI数据集简介官方网站肺图像数据库协会的图像收集(LIDC-IDRI)包括诊断和带有病变注释标记的肺癌筛查胸部CT.这是一个网络公开的国际资源,用于肺癌 ...
基于带有信息熵和联合矢量的LBF主动轮廓模型的PET-CT成像中对静脉血管肺结节分割（笔记四）
-----------------------------------------------------------------SUV 标准吸收值-------------------------- ...
【深度学习】肺结节分割项目实战二：分割肺实质
在后续训练模型的时候如果直接使用原始的肺部CT图像,其中的非肺区域会对训练造成干扰,因此我们需要提取分割肺实质.这一部分参考了kaggle上的教程. 从这张CT图像中可以看出扫描器以外的部分为黑色,背 ...
肺结节检测相关文章记录
1.3DFPN-HS^2: 3D Feature Pyramid Network Based High Sensitivity and Specificity Pulmonary Noudle Det ...
基于深度学习的肺部CT影像识别——采用U-net、3D CNN、cGAN实现肺结节的检测（二）
点击此处跳转到系列博客索引文章目录引言算法原理多层级3D CNN 多尺度渐变集成3D CNN 实现过程实验结果评价指标结果分析参考引言上一节中介绍了U-net在肺结节分割提取中的原 ...

使用U-Net进行肺结节分割案例分析：DSB3Tutorial

使用U-Net进行肺结节分割案例分析：DSB3Tutorial相关推荐

最新文章

热门文章