brain segmentation调研--WMH Segmentation Challenge_github_yinniyu/WMH2017

最新推荐文章于 2024-04-14 09:30:29 发布
最新推荐文章于 2024-04-14 09:30:29 发布
阅读量1k 收藏 1
点赞数
CC 4.0 BY-SA版权
分类专栏： 【AI】 文章标签： AI AI医疗
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/linhai1028/article/details/79571861
本文介绍了一个基于yinniyu的WMH2017项目的复现过程，涉及医疗影像数据处理（从dicom到nii格式转换）、图像配准及模型输入准备，并分享了模型改进思路及最终获得的F1值为0.73±0.02。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

本文主要内容如下

  1. 复现yinniyu 上的WMH2017项目
  2. 我们自己的医疗数据处理后运用该模型测试，数据处理过程包括格式处理（GitHub上是nii格式我们是dicom格式，写代码读入dicom格式），其次图像配准，转化为模型输入数据。
  3. 模型改进

由于离开公司，该项目不再继续做下去。

一、github yinniyu 链接

github链接：WMH Segmentation github yinniyu

二、复现

复现结果：F1值，0.73+-0.02

brain-segmentation-pytorch:PyTorch中的U-Net实现用于脑部MRI的FLAIR异常分割
05-02
U-Net进行脑部分割 PyTorch中的U-Net实现基于深度学习分割算法进行脑部MRI FLAIR异常分割，该算法用于。 该存储库是中官方MATLAB / Keras实现的全Python端口。 提供了经过训练的模型的权重，这些权重可用于对其他数据集进行推断或微调。 如果您使用此存储库中共享的代码或权重，请考虑引用： @article{buda2019association, title={Association of genomic subtypes of lower-grade gliomas with shape features automatically extracted by a deep learning algorithm}, author={Buda, Mateusz and Saha, Ashirbani and Mazurowski, Maciej A
brain segmentation调研--Brain Parcellation as a Pretext Tas
林海
02-08 1396
brain segmentation调研–Brain Parcellation as a Pretext Tas 本文主要是对论文On the Compactness, Eciency, and Representation of 3D Convolutional Networks:Brain Parcellation as a Pretext Tas 进行简单分析，并对论文源码做了分析，最后对...
brain segmentation调研--NiftyNet
林海
02-06 1755
brain segmentation调研–NiftyNet NiftyNet 是一个基于 TensorFlow 的开源卷积神经网络平台，用来研究医疗影像分析和影像导向的治疗。NiftyNet 有着模块化的架构设计，能够共享网络架构和预训练模型。使用该模块架构，你可以： 使用内建工具，从建立好的预训练networks开始训练 根据自己的图像数据改造已有的networks 根据自己的图像分析问题...
Automatic Segmentation of MR Brain Images With a Convolutional Neural Network
sunyao_123的博客
04-17 855
一，数据： 二，方法： 使用不同patch size大小的原因：大的patch包含空间信息，可以定位到这个像素位于图像中的位置（使用大的kernel）；小的patch提供局部相邻像素的细节信息（使用小的kernel）。 每类训练数量相同，防止数据不平衡。 为了提供更多的数据，网络训练的每个周期的数据是不同的，每个周期重新提取训练数据。（由于每个训练周期之间提取数据，这样回增加寻...
【论文阅读】WMH Segmentation Challenge 2017 及第一名解决方案
m0_37477175的博客
11-29 4555
相关医学常识 白质高信号 白质病变的特点是双侧，大多对称高强度的t2加权MRI是常见的老年人。虽然与脑血管疾病和血管危险因素密切相关，但这些白质病变的发病机制尚不清楚，可能是多因素的。Presumed vascular origin的白质高信号（WMH）是脑小血管疾病（SVD）的主要表现之一，并且在中风，痴呆和衰老中是很重要的特征表现。白质高信号有时候被认为是一种随着衰老而产生的一种正常表现，因为...
train_1.zip_brain segmentation _brain segmentation_u-net 多类_图像分
07-15
用U-net进行脑部图像多类分割，用keras框架进行实现
Liver-Tumor-Segmentation-Challenge-master.zip_liver_liver segmen
09-22
usefull project for liver
SOM-code.rar_SOM segmentation_brain segmentation_image segment_
07-15
this was the code for SOM based brain image segmentation which can segment brain image and finally the segmented labelled image was represent as a color label. this code segment the tumor spot of an ...
SIFCM-master.zip_FCM 改进_FCM segmentation_SIFCM-master_fcm_聚类
07-15
一种改进的FCM算法（SIfcm）,python3.6已经调试过，没有错误，需要手动设定导入的图片和聚类参数。
探索 Brain Segmentation PyTorch：深度学习助力神经影像处理
gitblog_00031的博客
04-14 338
探索 Brain Segmentation PyTorch：深度学习助力神经影像处理 在这个数字化时代，深度学习已经广泛应用在医疗领域，尤其是在图像分析上。 是一个开源项目，它利用先进的卷积神经网络（CNN）技术对脑部MRI扫描进行精确的分割，以帮助医学研究人员和临床医生更好地理解大脑结构，诊断疾病。 项目简介 该项目由Mateusz Buda发起，旨在实现自动化的脑部MRI图像分割。通过使用Py...
brain-tumor-segmentation
03-08
brain-tumor-segmentation
Brain_Tumor_Segmentation
03-20
脑肿瘤分割 笔记本将分割应用于脑肿瘤数据集。 培训了十个练习场，以示示范；某些设置（例如GPU使用率）可能并非最佳。 达塞特 工具 参考
3D Convolutional Neural Network for Brain Tumor Segmentation
10-15
一篇介绍基于3D 卷积神经网络的头部肿瘤CT图像分割处理的论文
WM Hyperintensities Segmentation Toolbox:开源白色物质高强度分割工具箱-开源
04-26
威斯康星州白色物质高强度分割[W2MHS]和定量工具箱是一个开源MatLab工具箱，旨在检测和量化阿尔茨海默氏病和与衰老相关的神经系统疾病中的白色物质高强度（WMH）。 WMH在T2加权的FLAIR图像上作为明亮区域出现。 它们反映了合并症神经损伤或脑血管疾病的负担。 就其预后而言，对阿尔茨海默氏病（AD）的精确检测值得关注。 我们的工具箱提供了一套自给自足的工具，可以可靠地对这些WMH进行细分，并进一步量化其用于后处理研究的负担。
brain_segmentation
05-18
自动脑肿瘤分割 注意：该项目当前未激活。 它很可能已经过时和越野车。 不幸的是，我没有时间更新它或跟上请求请求。 脑肿瘤分割试图将健康组织与肿瘤区分开，例如进展中的肿瘤，坏死核心和周围的水肿。 这是诊断和治疗计划中必不可少的步骤，在发生恶性肿瘤时，这两个步骤都需要Swift进行，以最大程度地提高成功治疗的可能性。 由于手动分割的缓慢且乏味的性质，因此对能够快速，准确地执行此操作的计算机算法提出了很高的要求。 目录 数据集 所有MRI数据均由提供，该挑战赛由大约250个高级别胶质瘤病例和50个低级别病例组成。 但是，由于时间有限，每个数据集包含四个不同的MRI脉冲序列，每个序列由155个脑切片组成，每位患者总共需要620张图像。 提供专业细分，作为每种情况的基本事实标签。 图1是使用地面真相分割进行扫描的示例。 细分标签如下所示： 图1： T2加权扫描上的地面真相分割叠加。 MRI
Boundary-Aware Fully Convolutional Network for Brain Tumor Segmentation论文理解
静静地玛尼石
10-27 2154
本文模型的代码是基于keras和Theana上完成，但是好像并没有进行开源          我们提出一种新颖的，多任务的全卷积网络（FCN）架构，用于脑肿瘤的自动分割。 该网络通过连接从多模MR图像提取的分层特征表示来提取多级上下文信息。 通过在损失函数中直接加入边界信息，实现了分割性能的提高。 该方法在BRATS13和BRATS15数据集上进行了评估，并
Brain tumor segmentation with Deep Neural Networks
moshiyaofei的博客
02-15 1990
理解 Brain tumor segmentation with Deep Neural Networks。   一、摘要 1.  基于DNNs提出了一种  fully automatic brain tumor segmentation  方法。 2.  提出的方法适用于MRI中的胶质瘤。 3.  提出的CNN方法探索局部特征的时候同时探索更多的全局上下文特征。 4.  网络用卷积实...
Automatic Brain Tumor Segmentation using Cascaded Anisotropic Convolutional Neural Networks
moshiyaofei的博客
02-15 1795
理解论文  Automatic Brain Tumor Segmentation using Cascaded Anisotropic Convolutional Neural Networks   一、摘要 1.提出了一种级联的全卷积神经网络来分割多模态 脑肿瘤 MRI，分割的脑肿瘤是：whole tumor, tumor core and enhancing tumor core。 2...
【BraTS】Brain Tumor Segmentation 脑部肿瘤分割2（UNet的复现）
钱多多先森
05-11 4621
1、复线unet 2、构建训练数据流 3、浅谈思路
https://github.com/qubvel-org/segmentation_models.pytorch讲一下这个链接里面的内容
最新发布
02-26
<think>好的，用户让我介绍一下这个GitHub仓库：segmentation_models.pytorch。首先，我需要回忆一下这个库的主要功能和特点。用户之前询问过如何制作图像掩码，现在可能对分割模型的具体实现或应用感兴趣。这个库应该是一个基于PyTorch的图像分割模型集合，可能包含预训练模型或者各种架构的实现。 用户可能是在进行缺陷检测或者其他分割任务，需要快速搭建或使用现有的模型。他们可能想知道这个库提供了哪些模型，有什么优势，或者如何应用到自己的项目中。我需要先访问该仓库（假设可以访问），查看其README和相关文档，确认其主要内容。 根据记忆，这个库可能整合了多种分割模型，比如U-Net、DeepLab、PSPNet等，并且可能支持不同的编码器（如ResNet、EfficientNet等），允许用户灵活组合。还可能提供预训练权重，方便迁移学习，这对用户来说可能很重要，因为他们可能希望用少量数据获得好的效果。 此外，该库可能简化了模型的使用流程，比如提供统一的接口来创建模型，处理数据预处理，或者集成常见的损失函数和评估指标。用户可能关心如何快速开始使用，安装步骤，代码示例，以及支持的模型列表。 需要注意用户的技术背景，他们可能是研究人员或开发者，希望节省时间不用从头实现模型。因此，回答中需要强调库的易用性、支持的模型和编码器、预训练权重、性能优势等。同时，可能需要提到实际应用场景，比如缺陷检测，与用户之前的兴趣点相关联。 还要考虑可能的扩展问题，比如如何安装，如何选择模型，如何训练自己的数据等，但用户目前只需要介绍库的内容，所以需要简明扼要。需要组织信息，分点说明主要内容，比如模型架构、编码器支持、预训练权重、功能特性等。 最后，检查是否有错误，比如模型名称是否正确，支持的框架是否为PyTorch，确保信息准确。可能还需要给出一个简单的代码示例，展示如何使用库创建模型，让用户更容易理解。</think>以下是关于 GitHub 仓库 **`qubvel/segmentation_models.pytorch`** 的详细介绍： --- ### **1. 项目定位** 这是一个基于 **PyTorch** 的高效图像分割模型库，专注于提供**语义分割**和**实例分割**的预训练模型，支持快速搭建、训练和部署。项目特点是**模块化设计**和**高度灵活性**，适合研究、竞赛和工业级应用。 --- ### **2. 核心功能** #### **支持的模型架构** - **经典分割模型**： - U-Net - FPN (Feature Pyramid Network) - PSPNet (Pyramid Scene Parsing Network) - LinkNet - PAN (Pyramid Attention Network) - DeepLabV3/DeepLabV3+ - **Transformer 模型**（如最新版本支持）： - SegFormer - TransUNet #### **预训练编码器（Backbone）** 支持多种主流 CNN 和 Transformer 编码器，例如： - ResNet (18/34/50/101/152) - EfficientNet (B0-B7) - MobileNetV2/V3 - DenseNet - ViT (Vision Transformer) - Swin Transformer --- ### **3. 核心优势** #### **即插即用** - **一行代码加载模型**： ```python import segmentation_models_pytorch as smp model = smp.Unet(encoder_name="resnet34", encoder_weights="imagenet", classes=1) ``` - `encoder_weights` 参数支持从 ImageNet、COCO 等数据集的预训练权重初始化。 #### **灵活的参数配置** - 自定义输入通道数（如 RGB/多光谱图像）。 - 支持多类别分割（通过 `classes=N` 设置输出通道）。 #### **丰富的工具集** - **损失函数**：Dice Loss、Focal Loss、Lovasz Loss 等。 - **评估指标**：IoU (Jaccard)、F1-Score、Accuracy。 - **数据预处理**：自动适配不同编码器的归一化参数。 --- ### **4. 典型应用场景** 1. **医学图像分割**（如器官、肿瘤区域分割）。 2. **自动驾驶**（道路、车辆、行人分割）。 3. **卫星图像分析**（地表覆盖分类）。 4. **工业检测**（缺陷区域定位）。 --- ### **5. 快速上手示例** #### **安装** ```bash pip install segmentation-models-pytorch ``` #### **训练代码片段** ```python import segmentation_models_pytorch as smp import torch # 创建模型（U-Net + ResNet34 + 预训练权重） model = smp.Unet( encoder_name="resnet34", encoder_weights="imagenet", in_channels=3, classes=2 # 二分类掩码 ) # 定义损失和优化器 loss = smp.losses.DiceLoss(mode="binary") optimizer = torch.optim.Adam(model.parameters(), lr=0.001) # 训练循环（伪代码） for images, masks in dataloader: outputs = model(images) loss_value = loss(outputs, masks) loss_value.backward() optimizer.step() ``` --- ### **6. 性能优化** - **自动混合精度训练**（AMP）： ```python with torch.cuda.amp.autocast(): outputs = model(inputs) ``` - **多GPU支持**： ```python model = torch.nn.DataParallel(model) ``` --- ### **7. 扩展与生态** - **与 Albumentations 兼容**：可直接搭配该库进行数据增强。 - **导出 ONNX/TensorRT**：支持部署到边缘设备。 --- ### **8. 注意事项** - **显存占用**：使用较大模型（如 ResNet101）时需注意显存限制。 - **自定义数据集**：需调整数据预处理参数以匹配预训练编码器的归一化方式。 --- ### **总结** `segmentation_models.pytorch` 是图像分割任务的“瑞士军刀”，通过预训练模型和模块化设计，大幅降低开发门槛。其支持的前沿模型（如 Transformer）和工业级优化特性，使其在研究和生产中均表现优异。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值