【本文持续更新…】

算法概括

文献链接:U-Net: Convolutional Networks for Biomedical Image Segmentation
开源项目链接：U-Net on ACDC dataset

U-Net结构示意

结构： U-Net具有简单的网络结构，前、后两部分通常被称为”编码器“和”解码器“，因其类似于大写的英文字母U的整体结构，故得名U-Net。
特点： U-Net的独特之处在于特征融合的方式，即将特征在Channel维度拼接在一起，形成更厚的特征。

使用数据集-ACDC

简介：Automated Cardiac Diagnosis Challenge

本次比赛的目的是比较自动方法对五类检查（正常病例、心力衰竭伴梗死、扩张型心肌病、肥厚型心肌病、右心室异常）的分类性能。相应的数据库由 150 名患者组成，这些患者具有在临床常规中获得的 3D 电影-MR 数据集。训练数据集涉及 100 名患者，而测试数据集由随机选择的 50 名患者组成，其中每种病理均等表示。

数据构成

该研究的目标人群由 150 名患者组成，分为以下 5 个亚组：

30 名正常受试者 - NOR
30 例既往心肌梗死患者（左心室射血分数低于 40% 和几个心肌节段异常收缩） - MINF
30 例扩张型心肌病患者（舒张期左心室容积 >100 mL/m 2且左心室射血分数低于 40%） - DCM
30 例肥厚型心肌病患者（左心室心脏质量高于 110 g/m 2，几个心肌节段舒张期厚度高于 15 mm，射血分数正常） - HCM
30例右心室异常（右心室腔容积高于110 mL/m 2或右心室射血分数低于40%）- RV

PS：每组根据生理参数明确定义，如左或右舒张量或射血分数、左室局部收缩、左室质量和心肌最大厚度。

规则定义

标签由两位具有10年以上临床经验的专家共同标注、修改，达成共识后定义以规则如下：

必须覆盖左右心室（根据现有数据）；
乳头肌包含在左腔内；
在 LV 基底平面处没有肌肉插补（The轮廓遵循主动脉瓣定义的限制）；
漏斗部不包括在右腔内（必须看到明显的分离）。

此外，创建了Groundtruth 标签场图像，其中 0、1、2 和 3 代表位于背景、RV 腔、心肌和 LV 腔中的体素。

术语&符号说明

ED：End-Diastole，舒张末期
ES：End-Systole，收缩末期
EDV：End-Diastolic Volume，舒张末期容积
ESV：End-Systolic Volume，收缩末期容积

实验过程

数据预处理

python dataset_utils.py -i INPUT_FOLDER -out2d OUTPUT_FOLDER_FOR_2D_DATA -out3d OUTPUT_FOLDER_FOR_3D_DATA

INPUT_FOLDER:存放原始训练数据的路径
OUTPUT_FOLDER_FOR_2D_DATA: 存放预处理后2D训练数据的路径
OUTPUT_FOLDER_FOR_3D_DATA:存放预处理后3D训练数据的路径

运行过后，在对应路径下将出现后缀为.npy的数据文件，包括训练集的100个文件和测试集的50个文件。

补充知识

三种图像分割类型

语义分割：分类对象为图像上的所有像素点；
实例分割：精确到物体边缘的分割，在图中标注一类物体；
全景分割：检测图像中的所有物体，并对其进行分割。

simpleITK

cv2保存图片全黑问题

cv2.imwrite()会将原图片从0-255范围标准化至0-1范围，只需要修改imwrite的输入即可：

cv2.imwrite('demo.png', image*255)

【Pytorch-ACDC】复现U-Net for Cardiac Segmentation记录相关推荐

Unsupervised Domain Adaptation with Variational Approximation for Cardiac Segmentation
Wu F, Zhuang X. Unsupervised domain adaptation with variational approximation for cardiac segmentati ...
论文学习笔记: Learning Multi-Scale Photo Exposure Correction(含pytorch代码复现)
论文学习笔记: Learning Multi-Scale Photo Exposure Correction--含pytorch代码复现本章工作: 论文摘要训练数据集网络设计原理补充知识:拉普 ...
【Pytorch】复现FCN for Left Ventricle(LV) segmentation记录
[持续更新中-] 算法概括 FCN将传统卷积网络后面的全连接层换成了卷积层,这样网络输出不再是类别而是 heatmap:同时为了解决因为卷积和池化对图像尺寸的影响,提出使用上采样(upsampling ...
论文阅读笔记之——《Multi-level Wavelet-CNN for Image Restoration》及基于pytorch的复现
本博文是MWCNN的阅读笔记,论文的链接:https://arxiv.org/pdf/1805.07071.pdf 代码:https://github.com/lpj0/MWCNN(仅仅是matlab ...
Pytorch：复现PointNet
文章目录一.[点云分类]和[部件分割]: 1.1 复现结果展示 1.2 复现过程 1.3 复现过程中遇到的问题 1.3.1 分类遇到的问题 1.3.2 分类可视化(检验)遇到的问题 1.3.3 部件 ...
卷积神经网络学习—Resnet50（论文精读+pytorch代码复现）
前言一.Resnet论文精读引入残差残差块 ResNet50模型基本构成 BN层 Resnet50总体结构二.Resnet50代码复现完整代码前言如果说在CNN领域一定要学习一个卷积神经 ...
Pytorch 手工复现交叉熵损失(Cross Entropy Loss)
如果直接调包的话很简单,例子如下: import torch import torch.nn as nntorch.manual_seed(1234) ce_loss = nn.CrossEntrop ...
AFM模型原理及Pytorch代码复现
一.前言该模型是和NFM模型结构上非常相似, 算是NFM模型的一个延伸,在NFM中, 不同特征域的特征embedding向量经过特征交叉池化层的交叉,将各个交叉特征向量进行"加和" ...
CV领域Transformer这一篇就够了（原理详解+pytorch代码复现）
文章目录前言一.注意力机制 1.1注意力机制通俗理解 1.2注意力机制计算公式 1.3注意力机制计算过程 1.4注意力机制代码二.自注意力机制 2.1 注意力机制和自注意力机制的区别 2.2 编 ...

【Pytorch-ACDC】复现U-Net for Cardiac Segmentation记录