【医学图像分割】Dense U-Net的Pytorch代码实现

原创

已于 2023-03-21 19:03:42 修改 · 4.2k 阅读

42 ·

CC 4.0 BY-SA版权

文章标签：

#pytorch #深度学习 #python

于 2023-03-20 20:58:44 首次发布

本文介绍了作者构建DenseU-Net模型的过程，包括代码实现和遇到的问题。作者首先分享了DenseNet的基础知识，然后提供了DenseU-Net的PyTorch代码，并展示了模型结构。在实践中，作者尝试了不同的网络配置，如DenseNet121结合U-Net，但遇到了过拟合和低准确率的问题。最后，作者调整了模型并实现了基于DenseNet的DenseU-Net，用于图像分割任务。

提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档

前言

一、DenseNet

在这里插入图片描述

二、代码

找了2个代码，还考虑用H-DenseU-Net的代码。

https://github.com/stefano-malacrino/DenseUNet-pytorch
https://github.com/THUHoloLab/Dense-U-net
第一次编写代码，感觉很多东西有点冗余，之后在优化，可以运行。(●’◡’●)

import torch
import torch.nn as nn
class conv_block(nn.Module):
    def __init__(self, ch_in, ch_out):
        super(conv_block, self).__init__()
        self.conv = nn.Sequential(
            nn.Conv2d(ch_in, ch_out, kernel_size=3, stride=1, padding=1, bias=True),
            nn.BatchNorm2d(ch_out),
            nn.ReLU(inplace=True),
            nn.Conv2d(ch_out, ch_out, kernel_size=3, stride=1, padding=1, bias=True),
            nn.BatchNorm2d(ch_out),
            nn.ReLU(inplace=True)
        )

    def forward(self, x):
        x = self.conv(x)
        return x


class up_conv(nn.Module):
    def __init__(self, ch_in, ch_out):
        super(up_conv, self).__init__()
        self.up = nn.Sequential(
            nn.Upsample(scale_factor=2),
            nn.Conv2d(ch_in, ch_out, kernel_size=3, stride=1, padding=1, bias=True),
            nn.BatchNorm2d(ch_out),
            nn.ReLU(inplace=True)
        )

    def forward(self, x):
        x = self.up(x)
        return x
class Conv_Block(nn.Module):
    def __init__(self, ch_in, ch_out):
        super(Conv_Block, self).__init__()
        self.conv = nn.Sequential(
            nn.BatchNorm2d(ch_in),
            nn.ReLU(inplace=True),
            nn.Conv2d(ch_in, ch_out, kernel_size=3, stride=1, padding=1)
        )

    def forward(self, x):
        x = self.conv(x)
        return x
class dens_block(nn.Module):
    def __init__(self,ch_in,ch_out):
        super(dens_block, self).__init__()#这三个相同吗？？？？
        self.conv1 = Conv_Block(ch_in,ch_out)
        self.conv2 = Conv_Block(ch_out+ch_in, ch_out)
        self.conv3 = Conv_Block(ch_out*2 + ch_in, ch_out)
    def forward(self,input_tensor):
        x1 = self.conv1(input_tensor)
        add1 = torch.cat([x1,input_tensor