【Pytorch-ACDC】复现U-Net for Cardiac Segmentation记录
【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 ...
最新文章
- 图像相似度计算之直方图方法OpenCV实现
- Nginx 配置实战:负载均衡的实现
- linux内核采取,采用动态加载模块的方式Linux内核编译
- linux下netty接收不到服务,Netty 发送消息失败或者接收消息失败的可能原因
- abap对采购订单强制置为”交货已完成“状态(BAPI_PO_CHANGE、BAPI_PO_RELEASE、BAPI_PO_RESET_RELEASE)
- 根据数据库表gengxin实体类_ASP.NET开发实战——(十二)数据库之EF Migrations
- Kubernetes资源创建yml语法
- REMarkerClusterer
- 实战+练习!用机器学习预测肺癌 | 明晚8点美国西奈山博后免费直播
- 保证elementUI组件文本域内容为json
- 计算机网络ppt_大学四年,我这样学操作系统和计算机网络,毕业后成为了别人眼中的大神(附书籍推荐)
- Oracle : ORA-02290: 违反检查约束条件
- (转载)关注——软件界首例 暴风影音宣布召回1.2亿播放器软件
- 大型石油公司联手银行推出能源商品交易区块链平台
- h5禁用浏览器下载视频_h5中利用canvas绘制video 忽略浏览器自带视频播放控件
- 用x32/x64dbg脱DLL壳(IAT表修复和重定位表修复)
- 新冠时空分析——Global evidence of expressed sentiment alterations during the COVID-19 pandemic
- 外贸七日通 第六日 合作篇 与货代打交道
- steam游戏的计算机要求,steam游戏怎么看配置是否符合,steam不要求配置的游戏
- 《 2021大学生就业分析报告 》