医学图像分割U型架构基准测试项目教程

医学图像分割U型架构基准测试项目教程

1. 项目介绍

本项目是基于PyTorch的医学图像分割U型架构基准测试项目，旨在为研究人员和开发者提供一个易于评估和公平比较2D医学图像分割方法的平台。该基准测试集收集并实现了基于U型架构的医学图像分割网络，包括U-Net、Attention U-Net、U-Net++、U-Net 3+、TransUnet、MedT、UNeXt、SwinUnet、CMU-Net以及最新的CMUNeXt网络。

2. 项目快速启动

环境准备

在开始之前，请确保您的系统已安装以下依赖：

• GPU：NVIDIA GeForce RTX 4090 GPU
• PyTorch：版本 1.13.0，CUDA版本 11.7
• cudatoolkit：版本 11.7.1
• scikit-learn：版本 1.0.2
• albumentations：版本 1.2.0

数据集准备

将BUSI数据集或您自己的数据集按照以下结构放置：

Medical-Image-Segmentation-Benchmarks/
├── data/
│   ├── busi/
│   │   ├── images/
│   │   │   ├── benign (10).png
│   │   │   ├── malignant (17).png
│   │   │   ├── ...
│   │   │
│   │   └── masks/
│   │       ├── 0/
│   │       │   ├── benign (10).png
│   │       │   ├── malignant (17).png
│   │       │   ├── ...
│   ├── your 2D dataset/
│   │   ├── images/
│   │   │   ├── 0a7e06.png
│   │   │   ├── 0aab0a.png
│   │   │   ├── ...
│   │   │
│   │   └── masks/
│   │       ├── 0/
│   │       │   ├── 0a7e06.png
│   │       │   ├── 0aab0a.png
│   │       │   ├── ...

数据集划分

使用以下命令划分数据集：

python split.py --dataset_root ./data --dataset_name busi

训练与验证

开始训练和验证您的数据集：

python main.py --model CMUNeXt --base_dir ./data/busi --train_file_dir busi_train.txt --val_file_dir busi_val.txt --base_lr 0.01 --epoch 300 --batch_size 8

推断

使用以下命令进行推断：

python infer.py --model CMUNeXt --model_path ./pth --base_dir ./data/busi --val_file_dir busi_val.txt --img_size 256 --num_classes 1

3. 应用案例和最佳实践

本项目提供了多种U型架构的网络实现，研究人员可以根据自己的需求选择合适的网络进行训练。例如，如果您关注速度和性能的平衡，可以选择CMUNeXt网络；如果您关注模型的准确性，可以选择MedT或U-Net 3+网络。

在进行模型训练时，数据增强是一个重要的步骤。本项目使用albumentations库进行数据增强，可以有效提高模型的泛化能力。

4. 典型生态项目

本项目的生态系统中，以下是一些典型的相关项目：

• CMU-Net：一种基于U型架构的医学图像分割网络。
• Image_Segmentation：一个开源的医学图像分割工具箱。

以上就是本项目的基本教程，希望对您的研究有所帮助。如果您有任何问题或建议，请通过邮件联系：543759045@qq.com。