南昌网站设计哪家专业好,丰城网站建设,公司网站公司简介,wordpress 广告位1、前言
本章将介绍将densenet的主干网络引入unet中 官方实现的代码#xff1a;kits19-challenge/network at master nitsaick/kits19-challenge (github.com) 本章实现的项目目录如下#xff1a; 主要代码有train、evaluate、predict脚本 2、代码介绍 数据预处理脚本
数据…1、前言
本章将介绍将densenet的主干网络引入unet中 官方实现的代码kits19-challenge/network at master · nitsaick/kits19-challenge (github.com) 本章实现的项目目录如下 主要代码有train、evaluate、predict脚本 2、代码介绍 数据预处理脚本
数据的预处理放在dataset脚本中这里参考sam模型的预处理。利用numpy和cv进行归一化、翻转、图像增强等等而非torch中的transform
主要如下 红色框的部分为windowing窗口化拉伸对比度因为大多数医学数据都是CT格式对比度很差如果原数据对比度还行的话可以注释掉 数据增强采用了水平和垂直翻转 train 训练脚本
参数如下如果image和mask的后缀格式不同需要更改这里 使用的优化器是Adam、损失是多类别的交叉熵、学习率衰减是cos余弦退火算法 evaluate 评估模型
默认采用训练过程中生成的最好的权重 代码会在测试集上进行评估计算mean iou、recall、precision、全局pixel准确度等等 3、项目使用 测试用的数据集为腹部多脏器的五分割 项目下载基于DenseUnet对腹部多脏器5类的分割实战【包含代码数据集训练结果】资源-CSDN文库 3.1 数据集摆放
数据集摆放如下 --data--train---images 训练集的图像
--data--train---masks 训练集的图像标签
--data--val---images 验证集的图像
--data--val---masks 验证集的图像标签
--data--test---images 测试集的图像(如果有的话)
--data--test---masks 测试集的图像标签(如果有的话)训练集用于训练网络、验证集用于验证模型调整超参数、测试集用于评估模型精度 3.2 训练
摆放好数据直接运行train脚本即可代码会计算mask的像素值然后自动设定denseunet的输出类别个数 训练完成会将所有结果保存在runs目录下 预处理可视化 因为原图是MRI格式的所有windowing方法增强效果不明显 训练日志
依次为epoch、train loss、train iou、val loss、val iou 学习率衰减 3.3 评估模型
脚本是evaluate代码这里填写测试集路径即可 代码会计算测试集的精度保存在txt文本中runs目录
列表的值是不同类别的recall、iou等 3.4 推理代码
predict 脚本 效果如下会生成gt图以及imagegt的掩膜图
输入图像 gt图 掩膜图
