【图像分割】医学图像分割入门实践(附源码)
有一定深度学习图像分割基础,至少阅读过部分语义分割或者医学图像分割文献
开发环境 部分包版本
python 3.7.9
torch 1.9.1
torchstat 0.0.7
torchsummary 1.5.1
torchvision 0.4.0
cuda 10.0
cudatoolkit 10.1.243
numpy 1.19.2
文章目录
- 开发环境 部分包版本
- 1 完整源码
- 2 数据集
- 3 分割任务的思路
- 4 代码实现
- 4.1 数据预处理
- 4.2 模型设计
- 4.3 评估指标和损失函数
- 4.4 训练
- 4.5 模型验证
前面的一篇 医学图像分割多目标分割(多分类)实践文章记录了笔者在医学图像分割踩坑入门的实践,但当时的源码不够完整。通过博客的评论互动和私信发现有很多同学同样在做这个方向,最近空闲的时间也让我下定决心重新复现之前代码并进行一些注释和讲解,希望能对该方向入坑的同学提供一些帮助。
先上源码。
1 完整源码
【完整源码地址】: pytorch-medical-image-segmentation
重新整理了之前的代码,利用其中一个数据集(前面文章提到的基于磁共振成像的膀胱内外壁分割与肿瘤检测,)作为案例,但由于没有官方的数据授权,我仅将该数据集的一小部分数据拿来做演示。
我将代码托管到了国内的Gitee上(主要觉得比Github速度快点),源码 pytorch-medical-image-segmentation可直接下载运行。
【代码目录结构】:
pytorch-medical-image-segmentation/
|-- checkpoint # 存放训练好的模型
|-- dataprepare # 数据预处理的一些方法
|-- datasets # 数据加载的一些方法
|-- log # 日志文件
|-- media
| |-- Datasets # 存放数据集
|-- networks # 存放模型
|-- test # 测试相关
|-- train # 训练相关
|-- utils # 一些工具函数
|-- validate # 验证相关
|-- README.md
2 数据集
来自ISICDM 2019 临床数据分析挑战赛的基于磁共振成像的膀胱内外壁分割与肿瘤检测数据集。
(原始图像)
(图像的ground truth)
【说明】:笔者没有权限公开分享该数据集,需要完整数据集可通过官网获取。若官网数据集也不能获取,可利用其他数据集代替,本教程主要是提供分割的大体代码思路,不局限于某一个具体的数据集。
【灰度值】:灰色128为膀胱内外壁,白色255为肿瘤。
【分割任务】:同时分割出膀胱内外壁和肿瘤部分
【分析】:我们需要分割出膀胱内外壁和肿瘤,再加上黑色背景,相当于是一个三分类问题。
3 分割任务的思路
根据笔者做分割的一些经验,医学图像分割任务的步骤大体是以下几个步骤:
- 数据预处理
- 模型设计
- 评估指标和损失函数选择
- 训练
- 验证
- 测试
接下来我们通过代码一步步完成分割的过程。
4 代码实现
4.1 数据预处理
此次的膀胱数据集本身是官方处理好的png图像,不像常规的MRI和CT图像是nii格式的,因此数据处理起来相对容易。
为了简单起见,笔者主要对原始数据做了数据集划分、对标签进行One-hot、裁剪等操作。由于不同的数据集做的数据增广操作(一般会有旋转、缩放、弹性形变等)不太一样,本案例中省略了数据增广的操作。
首先,我们对原始数据集进行重新数据划分,这里使用了五折交叉验证(5-fold validation)的方法对数据进行划分,不了解交叉验证的同学可以先去网上搜索了解一下。
这里是将数据集的名字划分到不同txt文件中,而不是真正的将原始数据划分到不同的文件夹中,后面读取的时候也是通过名字来读取,这样更加方便。
# /dataprepare/kfold.py
import os, shutil
from sklearn.model_selection import KFold# 按K折交叉验证划分数据集
def dataset_kfold(dataset_dir, save_path):data_list = os.listdir(dataset_dir)kf = KFold(5, False, 12345) # 使用5折交叉验证for i, (tr, val) in enumerate(kf.split(data_list), 1):print(len(tr), len(val))if os.path.exists(os.path.join(save_path, 'train{}.txt'.format(i))):# 若该目录已存在,则先删除,用来清空数据print('清空原始数据中...')os.remove(os.path.join(save_path, 'train{}.txt'.format(i)))os.remove(os.path.join(save_path, 'val{}.txt'.format(i)))print('原始数据已清空。')for item in tr:file_name = data_list[item]with open(os.path.join(save_path, 'train{}.txt'.format(i)), 'a') as f:f.write(file_name)f.write('\n')for item in val:file_name = data_list[item]with open(os.path.join(save_path, 'val{}.txt'.format(i)), 'a') as f:f.write(file_name)f.write('\n')if __name__ == '__main__':# 膀胱数据集划分# 首次划分数据集或者重新划分数据集时运行dataset_kfold(os.path.join('..\media\Datasets\Bladder', 'raw_data\Labels'),os.path.join('..\media\Datasets\Bladder', 'raw_data'))
运行后会生成以下文件,相当于是将数据集5份,每一份对应自己的训练集和验证集。
数据集划分好了,接下来就要写数据加载的类和方法,以便在训练的时候加载我们的数据。
# /datasets/bladder.py
import os
import cv2
import numpy as np
from PIL import Image
from torch.utils import data
from utils import helpers'''
128 = bladder
255 = tumor
0 = background
'''
palette = [[0], [128], [255]] # one-hot的颜色表
num_classes = 3 # 分类数def make_dataset(root, mode, fold):assert mode in ['train', 'val', 'test']items = []if mode == 'train':img_path = os.path.join(root, 'Images')mask_path = os.path.join(root, 'Labels')if 'Augdata' in root: # 当使用增广后的训练集data_list = os.listdir(os.path.join(root, 'Labels'))else:data_list = [l.strip('\n') for l in open(os.path.join(root, 'train{}.txt'.format(fold))).readlines()]for it in data_list:item = (os.path.join(img_path, it), os.path.join(mask_path, it))items.append(item)elif mode == 'val':img_path = os.path.join(root, 'Images')mask_path = os.path.join(root, 'Labels')data_list = [l.strip('\n') for l in open(os.path.join(root, 'val{}.txt'.format(fold))).readlines()]for it in data_list:item = (os.path.join(img_path, it), os.path.join(mask_path, it))items.append(item)else:img_path = os.path.join(root, 'Images')data_list = [l.strip('\n') for l in open(os.path.join(root, 'test.txt')).readlines()]for it in data_list:item = (os.path.join(img_path, 'c0', it))items.append(item)return itemsclass Dataset(data.Dataset):def __init__(self, root, mode, fold, joint_transform=None, center_crop=None, transform=None, target_transform=None):self.imgs = make_dataset(root, mode, fold)self.palette = paletteself.mode = modeif len(self.imgs) == 0:raise RuntimeError('Found 0 images, please check the data set')self.mode = modeself.joint_transform = joint_transformself.center_crop = center_cropself.transform = transformself.target_transform = target_transformdef __getitem__(self, index):img_path, mask_path = self.imgs[index]file_name = mask_path.split('\\')[-1]img = Image.open(img_path)mask = Image.open(mask_path)if self.joint_transform is not None:img, mask = self.joint_transform(img, mask)if self.center_crop is not None:img, mask = self.center_crop(img, mask)img = np.array(img)mask = np.array(mask)# Image.open读取灰度图像时shape=(H, W) 而非(H, W, 1)# 因此先扩展出通道维度,以便在通道维度上进行one-hot映射img = np.expand_dims(img, axis=2)mask = np.expand_dims(mask, axis=2)mask = helpers.mask_to_onehot(mask, self.palette)# shape from (H, W, C) to (C, H, W)img = img.transpose([2, 0, 1])mask = mask.transpose([2, 0, 1])if self.transform is not None:img = self.transform(img)if self.target_transform is not None:mask = self.target_transform(mask)return (img, mask), file_namedef __len__(self):return len(self.imgs)if __name__ == '__main__':np.set_printoptions(threshold=9999999)from torch.utils.data import DataLoaderimport utils.image_transforms as joint_transformsimport utils.transforms as extended_transformsdef demo():train_path = r'../media/Datasets/Bladder/raw_data'val_path = r'../media/Datasets/Bladder/raw_data'test_path = r'../media/Datasets/Bladder/test'center_crop = joint_transforms.CenterCrop(256)test_center_crop = joint_transforms.SingleCenterCrop(256)train_input_transform = extended_transforms.NpyToTensor()target_transform = extended_transforms.MaskToTensor()train_set = Dataset(train_path, 'train', 1,joint_transform=None, center_crop=center_crop,transform=train_input_transform, target_transform=target_transform)train_loader = DataLoader(train_set, batch_size=1, shuffle=False)for (input, mask), file_name in train_loader:print(input.shape)print(mask.shape)img = helpers.array_to_img(np.expand_dims(input.squeeze(), 2))gt = helpers.onehot_to_mask(np.array(mask.squeeze()).transpose(1, 2, 0), palette)gt = helpers.array_to_img(gt)cv2.imshow('img GT', np.uint8(np.hstack([img, gt])))cv2.waitKey(1000)demo()
通常我会在数据预处理和加载类已写好后,运行代码测试数据的加载过程,看加载的数据是否有问题。通过可视化的结果可以看到加载的数据是正常的。
我们在对ground truth
反one-hot进行可视化时,改变颜色表palette
中的颜色值,就可以将ground truth
重新映射成我们想要的颜色,例如:
我们修改上面的部分代码,将颜色表palette
修改成三色值([x, x, x]里边有三个数字,单色[x]就对应灰色图像)将gt映射成彩色图像。
for (input, mask), file_name in train_loader:print(input.shape)print(mask.shape)img = helpers.array_to_img(np.expand_dims(input.squeeze(), 2))# 将gt反one-hot回去以便进行可视化palette = [[0, 0, 0], [246, 16, 16], [16, 136, 246]] gt = helpers.onehot_to_mask(np.array(mask.squeeze()).transpose(1, 2, 0), palette)gt = helpers.array_to_img(gt)# cv2.imshow('img GT', np.uint8(np.hstack([img, gt])))cv2.imshow('img GT', np.uint8(gt))cv2.waitKey(1000)
可视化的结果如下
4.2 模型设计
直接用经典的U-Net作为演示模型。注意输入的图像是1
个通道,输出是3
个通道。
# /networks/u_net.py
from networks.custom_modules.basic_modules import *
from utils.misc import initialize_weightsclass Baseline(nn.Module):def __init__(self, img_ch=1, num_classes=3, depth=2):super(Baseline, self).__init__()chs = [64, 128, 256, 512, 512]self.maxpool = nn.MaxPool2d(kernel_size=2, stride=2)self.enc1 = EncoderBlock(img_ch, chs[0], depth=depth)self.enc2 = EncoderBlock(chs[0], chs[1], depth=depth)self.enc3 = EncoderBlock(chs[1], chs[2], depth=depth)self.enc4 = EncoderBlock(chs[2], chs[3], depth=depth)self.enc5 = EncoderBlock(chs[3], chs[4], depth=depth)self.dec4 = DecoderBlock(chs[4], chs[3])self.decconv4 = EncoderBlock(chs[3] * 2, chs[3])self.dec3 = DecoderBlock(chs[3], chs[2])self.decconv3 = EncoderBlock(chs[2] * 2, chs[2])self.dec2 = DecoderBlock(chs[2], chs[1])self.decconv2 = EncoderBlock(chs[1] * 2, chs[1])self.dec1 = DecoderBlock(chs[1], chs[0])self.decconv1 = EncoderBlock(chs[0] * 2, chs[0])self.conv_1x1 = nn.Conv2d(chs[0], num_classes, 1, bias=False)initialize_weights(self)def forward(self, x):# encoding pathx1 = self.enc1(x)x2 = self.maxpool(x1)x2 = self.enc2(x2)x3 = self.maxpool(x2)x3 = self.enc3(x3)x4 = self.maxpool(x3)x4 = self.enc4(x4)x5 = self.maxpool(x4)x5 = self.enc5(x5)# decoding + concat pathd4 = self.dec4(x5)d4 = torch.cat((x4, d4), dim=1)d4 = self.decconv4(d4)d3 = self.dec3(d4)d3 = torch.cat((x3, d3), dim=1)d3 = self.decconv3(d3)d2 = self.dec2(d3)d2 = torch.cat((x2, d2), dim=1)d2 = self.decconv2(d2)d1 = self.dec1(d2)d1 = torch.cat((x1, d1), dim=1)d1 = self.decconv1(d1)d1 = self.conv_1x1(d1)return d1if __name__ == '__main__':# from torchstat import statimport torchfrom torchsummary import summaryx = torch.randn([2, 1, 64, 64]).cuda()# # 参数计算model = Baseline(num_classes=3).cuda()total = sum([param.nelement() for param in model.parameters()])print("Number of parameter: %.3fM" % (total / 1e6))# # 参数计算# # stat(model, (1, 224, 224))# # 每层输出大小print(model(x).shape)
可以直接运行该文件,测试模型的输入和输出是否符合预期。
4.3 评估指标和损失函数
这里选择医学图像分割中最常用的指标Dice
和Dice loss
。关于实现的讨论可参考【Pytorch】 Dice系数与Dice Loss损失函数实现。
Dice系数的实现核心代码:
# /utils/metrics.py
def diceCoeffv2(pred, gt, eps=1e-5):r""" computational formula:dice = (2 * tp) / (2 * tp + fp + fn)"""N = gt.size(0)pred_flat = pred.view(N, -1)gt_flat = gt.view(N, -1)tp = torch.sum(gt_flat * pred_flat, dim=1)fp = torch.sum(pred_flat, dim=1) - tpfn = torch.sum(gt_flat, dim=1) - tpscore = (2 * tp + eps) / (2 * tp + fp + fn + eps)return score.sum() / N
多分类Dice loss实现的核心代码:
# /utils/loss.py
class SoftDiceLoss(_Loss):def __init__(self, num_classes):super(SoftDiceLoss, self).__init__()self.num_classes = num_classesdef forward(self, y_pred, y_true):class_dice = []# 从1开始排除背景,前提是颜色表palette中背景放在第一个位置 [[0], ..., ...]for i in range(1, self.num_classes):class_dice.append(diceCoeffv2(y_pred[:, i:i + 1, :], y_true[:, i:i + 1, :]))mean_dice = sum(class_dice) / len(class_dice)return 1 - mean_dice
如果只是二分类,用下面的损失函数:
class BinarySoftDiceLoss(_Loss):def __init__(self):super(BinarySoftDiceLoss, self).__init__()def forward(self, y_pred, y_true):mean_dice = diceCoeffv2(y_pred, y_true)return 1 - mean_dice
4.4 训练
训练的整体思路就是,训练完一个epoch
进行验证(注意验证的loss不反向传播,只验证不影响模型权重),在训练的过程中使用了早停机制(Early stopping
)。只要在15个epoch
内,验证集上的评价Dice
指标增长不超过0.1%
则停止训练,并保存之前在验证集上最好的模型。
代码中Early Stopping
提供两个版本,其中EarlyStopping
传指标进去即可,EarlyStoppingV2
传验证集的loss
值,表示在15个epoch
内,loss
下降不超过0.001
则停止训练。
# /train/train_bladder.py
import time
import os
import torch
import random
from torch.utils.data import DataLoader
from tensorboardX import SummaryWriter
from torch.optim import lr_scheduler
from tqdm import tqdm
import sysfrom datasets import bladder
import utils.image_transforms as joint_transforms
import utils.transforms as extended_transforms
from utils.loss import *
from utils.metrics import diceCoeffv2
from utils import misc
from utils.pytorchtools import EarlyStopping
from utils.LRScheduler import PolyLR# 超参设置
crop_size = 256 # 输入裁剪大小
batch_size = 2 # batch size
n_epoch = 300 # 训练的最大epoch
early_stop__eps = 1e-3 # 早停的指标阈值
early_stop_patience = 15 # 早停的epoch阈值
initial_lr = 1e-4 # 初始学习率
threshold_lr = 1e-6 # 早停的学习率阈值
weight_decay = 1e-5 # 学习率衰减率
optimizer_type = 'adam' # adam, sgd
scheduler_type = 'no' # ReduceLR, StepLR, poly
label_smoothing = 0.01
aux_loss = False
gamma = 0.5
alpha = 0.85
model_number = random.randint(1, 1e6)model_type = "unet"if model_type == "unet":from networks.u_net import Baselineroot_path = '../'
fold = 1 # 训练集k-fold, 可设置1, 2, 3, 4, 5
depth = 2 # unet编码器的卷积层数
loss_name = 'dice' # dice, bce, wbce, dual, wdual
reduction = '' # aug
model_name = '{}_depth={}_fold_{}_{}_{}{}'.format(model_type, depth, fold, loss_name, reduction, model_number)# 训练日志
writer = SummaryWriter(os.path.join(root_path, 'log/bladder/train', model_name + '_{}fold'.format(fold) + str(int(time.time()))))
val_writer = SummaryWriter(os.path.join(os.path.join(root_path, 'log/bladder/val', model_name) + '_{}fold'.format(fold) + str(int(time.time()))))# 训练集路径
# train_path = os.path.join(root_path, 'media/Datasets/bladder/Augdata_5folds', 'train{}'.format(fold), 'npy')
train_path = os.path.join(root_path, 'media/Datasets/Bladder/raw_data')
val_path = os.path.join(root_path, 'media/Datasets/Bladder/raw_data')def main():# 定义网络net = Baseline(num_classes=bladder.num_classes, depth=depth).cuda()# 数据预处理center_crop = joint_transforms.CenterCrop(crop_size)input_transform = extended_transforms.NpyToTensor()target_transform = extended_transforms.MaskToTensor()# 训练集加载train_set = bladder.Dataset(train_path, 'train', fold, joint_transform=None, center_crop=center_crop,transform=input_transform, target_transform=target_transform)train_loader = DataLoader(train_set, batch_size=batch_size, shuffle=True, num_workers=6)# 验证集加载val_set = bladder.Dataset(val_path, 'val', fold,joint_transform=None, transform=input_transform, center_crop=center_crop,target_transform=target_transform)val_loader = DataLoader(val_set, batch_size=1, shuffle=False)# 定义损失函数if loss_name == 'dice':criterion = SoftDiceLoss(bladder.num_classes).cuda()# 定义早停机制early_stopping = EarlyStopping(early_stop_patience, verbose=True, delta=early_stop__eps,path=os.path.join(root_path, 'checkpoint', '{}.pth'.format(model_name)))# 定义优化器if optimizer_type == 'adam':optimizer = torch.optim.Adam(net.parameters(), lr=initial_lr, weight_decay=weight_decay)else:optimizer = torch.optim.SGD(net.parameters(), lr=0.1, momentum=0.9)# 定义学习率衰减策略if scheduler_type == 'StepLR':scheduler = lr_scheduler.StepLR(optimizer, step_size=4, gamma=0.1)elif scheduler_type == 'ReduceLR':scheduler = lr_scheduler.ReduceLROnPlateau(optimizer, mode='min', factor=0.1, patience=5)elif scheduler_type == 'poly':scheduler = PolyLR(optimizer, max_iter=n_epoch, power=0.9)else:scheduler = Nonetrain(train_loader, val_loader, net, criterion, optimizer, scheduler, None, early_stopping, n_epoch, 0)def train(train_loader, val_loader, net, criterion, optimizer, scheduler, warm_scheduler, early_stopping, num_epoches,iters):for epoch in range(1, num_epoches + 1):st = time.time()train_class_dices = np.array([0] * (bladder.num_classes - 1), dtype=np.float)val_class_dices = np.array([0] * (bladder.num_classes - 1), dtype=np.float)val_dice_arr = []train_losses = []val_losses = []# 训练模型net.train()for batch, ((input, mask), file_name) in enumerate(train_loader, 1):X = input.cuda()y = mask.cuda()optimizer.zero_grad()output = net(X)output = torch.sigmoid(output)loss = criterion(output, y)loss.backward()optimizer.step()iters += 1train_losses.append(loss.item())class_dice = []for i in range(1, bladder.num_classes):cur_dice = diceCoeffv2(output[:, i:i + 1, :], y[:, i:i + 1, :]).cpu().item()class_dice.append(cur_dice)mean_dice = sum(class_dice) / len(class_dice)train_class_dices += np.array(class_dice)string_print = 'epoch: {} - iters: {} - loss: {:.4} - mean: {:.4} - bladder: {:.4}- tumor: {:.4} - time: {:.2}' \.format(epoch, iters, loss.data.cpu(), mean_dice, class_dice[0], class_dice[1], time.time() - st)misc.log(string_print)st = time.time()train_loss = np.average(train_losses)train_class_dices = train_class_dices / batchtrain_mean_dice = train_class_dices.sum() / train_class_dices.sizewriter.add_scalar('main_loss', train_loss, epoch)writer.add_scalar('main_dice', train_mean_dice, epoch)print('epoch {}/{} - train_loss: {:.4} - train_mean_dice: {:.4} - dice_bladder: {:.4} - dice_tumor: {:.4}'.format(epoch, num_epoches, train_loss, train_mean_dice, train_class_dices[0], train_class_dices[1]))# 验证模型net.eval()for val_batch, ((input, mask), file_name) in tqdm(enumerate(val_loader, 1)):val_X = input.cuda()val_y = mask.cuda()pred = net(val_X)pred = torch.sigmoid(pred)val_loss = criterion(pred, val_y)val_losses.append(val_loss.item())pred = pred.cpu().detach()val_class_dice = []for i in range(1, bladder.num_classes):val_class_dice.append(diceCoeffv2(pred[:, i:i + 1, :], mask[:, i:i + 1, :]))val_dice_arr.append(val_class_dice)val_class_dices += np.array(val_class_dice)val_loss = np.average(val_losses)val_dice_arr = np.array(val_dice_arr)val_class_dices = val_class_dices / val_batchval_mean_dice = val_class_dices.sum() / val_class_dices.sizeval_writer.add_scalar('lr', optimizer.param_groups[0]['lr'], epoch)val_writer.add_scalar('main_loss', val_loss, epoch)val_writer.add_scalar('main_dice', val_mean_dice, epoch)print('val_loss: {:.4} - val_mean_dice: {:.4} - bladder: {:.4}- tumor: {:.4}'.format(val_loss, val_mean_dice, val_class_dices[0], val_class_dices[1]))print('lr: {}'.format(optimizer.param_groups[0]['lr']))early_stopping(val_mean_dice, net, epoch)if early_stopping.early_stop or optimizer.param_groups[0]['lr'] < threshold_lr:print("Early stopping")# 结束模型训练breakprint('----------------------------------------------------------')print('save epoch {}'.format(early_stopping.save_epoch))print('stoped epoch {}'.format(epoch))print('----------------------------------------------------------')if __name__ == '__main__':main()
4.5 模型验证
按照加载训练集类似的方法,我们加载验证集或者测试集进行模型验证。
# /validate/validate_bladder.py
import os
import cv2
import torch
import shutil
import utils.image_transforms as joint_transforms
from torch.utils.data import DataLoader
import utils.transforms as extended_transforms
from datasets import bladder
from utils.loss import *
from networks.u_net import Baseline
from tqdm import tqdmcrop_size = 256
val_path = r'..\media/Datasets/Bladder/raw_data'
center_crop = joint_transforms.CenterCrop(crop_size)
val_input_transform = extended_transforms.NpyToTensor()
target_transform = extended_transforms.MaskToTensor()val_set = bladder.Dataset(val_path, 'val', 1,joint_transform=None, transform=val_input_transform, center_crop=center_crop,target_transform=target_transform)
val_loader = DataLoader(val_set, batch_size=1, shuffle=False)palette = bladder.palette
num_classes = bladder.num_classesnet = Baseline(img_ch=1, num_classes=num_classes, depth=2).cuda()
net.load_state_dict(torch.load("../checkpoint/unet_depth=2_fold_1_dice_348055.pth"))
net.eval()def auto_val(net):# 效果展示图片数dices = 0class_dices = np.array([0] * (num_classes - 1), dtype=np.float)save_path = './results'if os.path.exists(save_path):# 若该目录已存在,则先删除,用来清空数据shutil.rmtree(os.path.join(save_path))img_path = os.path.join(save_path, 'images')pred_path = os.path.join(save_path, 'pred')gt_path = os.path.join(save_path, 'gt')os.makedirs(img_path)os.makedirs(pred_path)os.makedirs(gt_path)val_dice_arr = []for (input, mask), file_name in tqdm(val_loader):file_name = file_name[0].split('.')[0]X = input.cuda()pred = net(X)pred = torch.sigmoid(pred)pred = pred.cpu().detach()# pred[pred < 0.5] = 0# pred[np.logical_and(pred > 0.5, pred == 0.5)] = 1# 原图m1 = np.array(input.squeeze())m1 = helpers.array_to_img(np.expand_dims(m1, 2))# gtgt = helpers.onehot_to_mask(np.array(mask.squeeze()).transpose([1, 2, 0]), palette)gt = helpers.array_to_img(gt)# predsave_pred = helpers.onehot_to_mask(np.array(pred.squeeze()).transpose([1, 2, 0]), palette)save_pred_png = helpers.array_to_img(save_pred)# png格式m1.save(os.path.join(img_path, file_name + '.png'))gt.save(os.path.join(gt_path, file_name + '.png'))save_pred_png.save(os.path.join(pred_path, file_name + '.png'))class_dice = []for i in range(1, num_classes):class_dice.append(diceCoeffv2(pred[:, i:i + 1, :], mask[:, i:i + 1, :]))mean_dice = sum(class_dice) / len(class_dice)val_dice_arr.append(class_dice)dices += mean_diceclass_dices += np.array(class_dice)print('mean_dice: {:.4} - dice_bladder: {:.4} - dice_tumor: {:.4}'.format(mean_dice, class_dice[0], class_dice[1]))val_mean_dice = dices / (len(val_loader) / 1)val_class_dice = class_dices / (len(val_loader) / 1)print('Val mean_dice: {:.4} - dice_bladder: {:.4} - dice_tumor: {:.4}'.format(val_mean_dice, val_class_dice[0], val_class_dice[1]))if __name__ == '__main__':np.set_printoptions(threshold=9999999)auto_val(net)
直接运行该文件可生成我们的预测结果。
虽然我们的U-Net只用了24
张图进行训练,但从结果可以看到,模型也能大致分割出目标。
【图像分割】医学图像分割入门实践(附源码)相关推荐
- 缓存穿透、缓存击穿和缓存雪崩实践附源码
xiaolyuh@oschina 读完需要 10 分钟 速读仅需 5 分钟 我们使用缓存的主要目是提升查询速度和保护数据库等稀缺资源不被占满. 而缓存最常见的问题是缓存穿透.击穿和雪崩,在高并发下这三 ...
- JAVA小项目(四)—— 贪吃蛇【轻松入门,附源码】
目录 (一)效果图 (二)代码实现 (1)将图片加载到程序中 (2)创建窗体 (3)创建面板 (4)绘制静态的小蛇 (5) 加入监听事件 (6)让蛇动起来 (7)绘制食物和吃食物 (8)把游戏打包
- JAVA小项目(一)——一个简单的记帐本【轻松入门,附源码】
目录 1. 实现效果 2.项目架构 3. 细节代码实现
- python编程选股_随笔吧量化投资选股的python程序实践(附源码)
量化投资选股的python程序实践(附源码) 首先选取沪深股票市场,本人比较关注的12只股票: 000002 万科A,600566 济川药业,300051 三五互联,002039 黔源电力,60087 ...
- java中batch基础_详解Spring batch 入门学习教程(附源码)
详解Spring batch 入门学习教程(附源码) 发布时间:2020-09-08 00:28:40 来源:脚本之家 阅读:99 作者:achuo Spring batch 是一个开源的批处理框架. ...
- 微信公众平台开发教程(四) 实例入门:机器人(附源码)
微信公众平台开发教程(四) 实例入门:机器人(附源码) 上一篇文章,写了基本框架,可能很多人会觉得晕头转向,这里提供一个简单的例子来予以说明,希望能帮你解开谜团. 一.功能介绍 通过微信公众平台实现在 ...
- MATLAB从入门到精通-辅助ANSYS APDL进行负泊松比铰链结构建模仿真(附源码)
前言 关于MATLAB系列的精品专栏大家可参见 MATLAB-30天带你从入门到精通 MATLAB深入理解高级教程(附源码) 喜欢的小伙伴可自行订阅,你的支持就是我不断更新的动力哟! ANSYS有着强 ...
- android 原生开发 3d地图 下载_arcgis api 3.x for js 入门开发系列二不同地图服务展示(附源码下载)...
前言 关于本篇功能实现用到的 api 涉及类看不懂的,请参照 esri 官网的 arcgis api 3.x for js:esri 官网 api,里面详细的介绍 arcgis api 3.x 各个类 ...
- arcgis开发 多版本之间如何兼容_arcgis api 4.x for js 结合 react 入门开发系列初探篇(附源码下载)...
你还在使用 JQuery 或者 Dojo 框架开发 arcgis api 4.x for js 吗?想试试模块化开发吗?随着前端技术的发展,arcgis api 4.x for js 也有了结合 re ...
- vscode中安装webpack_leaflet-webpack 入门开发系列一初探篇(附源码下载)
前言 leaflet-webpack 入门开发系列环境知识点了解: node 安装包下载 webpack 打包管理工具需要依赖 node 环境,所以 node 安装包必须安装,上面链接是官网下载地址w ...
最新文章
- php的webservice的wsdl的XML无法显示
- SQL Loader 的使用详解
- AWS CSAA -- 04 AWS Object Storage and CDN - S3 Glacier and CloudFront(三)
- opencv中在图片上显示文本
- 获取现成的参考文献格式方法
- select + 线程池 回应服务器(windows)
- 浅析字符串的replace方法应用
- 在java中产生随机数_在Java中产生随机数的两个方法
- 用原生js写一个多动症的简历
- windows10录制视频 电脑屏幕录像
- 眼图观测实验报告_通信原理实验报告 -
- Python的数据类型
- UT000020: Connection terminated as request was larger than 10485760
- 数学建模优秀论文2(层次分析有关)
- c++判断某一天是这一年的第几天
- Rhino 3D旋转
- WORD中表格的跨页显示
- flow java.lang.IllegalArgumentException: Unable to create call adapter for
- ACM-ICPC国际大学生程序设计竞赛亚洲区大连赛区(2016)地区赛——花开花落终有时
- ios远程服务器,整理一下苹果手机ios远程联机教程