2D UNet++ ResBlock脑胶质瘤分割BraTs + Pytorch实现

置顶玖零猴

已于 2023-04-11 17:08:45 修改

阅读量3.9k

点赞数 10

分类专栏： # 医学影像分割 # PyTorch 实战文章标签：深度学习 pytorch 机器学习

于 2020-04-24 04:09:58 首次发布

本文链接：https://blog.youkuaiyun.com/weixin_40519315/article/details/105747362

版权

医学影像分割同时被 2 个专栏收录

26 篇文章

订阅专栏

PyTorch 实战

10 篇文章

订阅专栏

本文深入解读UNet++网络结构及其对UNet的改进，分享作者研究态度与方法。使用ResBlock作为编码器，VGGBlock作为解码器，探讨BraTs2018和2019数据集在医学图像分割任务中的预处理、训练与测试流程。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

UNet++讲解

玖零猴：UNet++解读 + 它是如何对UNet改进 + 作者的研究态度和方式

网络结构

        Encoder BackBone = ResBlock
Decoder BackBone = VGGBlock
通道数[32, 64, 128, 256, 512]

玖零猴：凯明之作Resnet + 心路历程[超详] + 解决退化问题 + 让网络变得更深成为现实

BraTs数据准备

数据来源

本文用的训练集和验证集均来自BraTs2018的训练集(其中HGG:210个病人,LGG:75个病人)

但由于BraTs只公开训练集数据,没有测试集数据,如果在训练集中再拆一部分用来作测试集的话,那训练集便少了许多,训练数据如果过少,容易出现过拟合现象,即在训练集中表现好,而在测试集中表现差,此时的网络泛化能力变差了.为了解决数据少的问题,灵机一动的我想出了一个办法.

因为BraTs2019的训练集在BraTs2018的基础上增多了,其中HGG增加了49例,LGG增加了1例,那么我就把这些新增的作为我的测试集

下面我提供百度云盘给大家下载,这是原始数据

        BraTs18数据集下载地址(不包含测试集,提供的验证集无GT) 
链接：https://pan.baidu.com/s/1Ry41OVl9VLOMzhQQR9qXuA 提取码：qvmo
BraTs19数据集下载地址如下(不包含测试集,提供的验证集无GT) 
链接: https://pan.baidu.com/s/1S5XGTdHkwFnagKS-5vWYBg 提取码: 2333

数据的预处理以及实现代码

把上面两年的数据下下来,然后我对数据的预处理方法是链接

完整的实现代码(jupyter notebook打开)

https://github.com/Merofine/BraTS2Dpreprocessing

GetTrainingSets.ipynb——>训练集和验证集
GetTestingSetsFrom2019.ipynb-—>测试集

代码执行完后,获得npy数据

<如果大家嫌麻烦,我这里提供预处理好的npy数据>

        链接:https://pan.baidu.com/s/1iIBvqrXIx2JAvoyt3FcuYw  密码:4qua

训练集、验证集和测试集——预处理之区别

它们的预处理除了是否要去除没有病灶切片外,别无区别

训练集是去除的,以缓解类别不均衡问题,类别不平衡(class-imbalance)就是指分类任务中不同类别的训练样例数目差别很大的情况,但若差别很大,则会对学习过程造成困扰.我们的任务是分割,分割是一种对像素级别的分类,一个切片假如病灶很少甚至没有,那么就会出现严重的类别不均衡,学习的时候网络就会偏向于多的那一类靠,为了缓解这种情况,应该剔除没有病灶的切片

而验证集我也是去除的,因为验证集其实在训练过程中扮演了另一角色,虽然并没有直接参与训练,可是却是为了防止过拟合现象,也就是说防止网络将这些有病灶的切片学得太过头了,这是个人理解,具体到底是否去除,还得通过实验证明

测试集当然是不用去除的,因为这个时候就是考验它的时候到了,让它自己判断是否有病灶(提示:这里我还是去了,去了之后测出来的Dice会稳一点0.0)

运行环境的安装

windows10 64 bits、nvidia驱动、CUDA8.0、cudnn、anaconda

        打开命令窗口, 分别输入以下指令:

conda create -n jiu0Monkey python=3.6

conda activate jiu0Monkey

pip install simpleitk

pip install opencv-python==3.4.2.16

pip install scipy

pip install scikit-learn==0.20

pip install scikit-image==0.14

conda  install numpy  mkl cffi

安装pytorch,选择与cuda版本对应的进行安装,python版本也要对应
下载链接:https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/pytorch/
我选择的是win-64 pytorch-0.4.0-py36_cuda80_cudnn7he774522_1.tar.bz2
下载完毕后进行安装,找到下载目录并执行:
conda install --offline .\pytorch-0.4.0-py36_cuda80_cudnn7he774522_1.tar.bz2

conda install  torchvision  -c pytorch

conda install Pillow=6.1

conda install tqdm

conda install pandas

pip install -U scikit-image

        
pip install -i https://pypi.tuna.tsinghua.edu.cn/simple numba
pip install hausdorff

代码下载链接

【闲鱼】https://m.tb.cn/h.UH72xqd?tk=q9RVdPn83UX CZ3457 「我在闲鱼发布了【入门【医学图像分割】，有资料+数据+代码】」

训练:

将train.py的img_paths和mask_paths修改为自己的trainImage和trainMask的路径

训练前会通过train_test_split函数将数据集划分为训练集和验证集,只要参数random_state一样,划分的结果就是一样的

每一次epoch训练结束,都会对验证集进行测试Iou指标,如果比之前最好的还要好就保存本次训练模型,如果超过args.early_stop这个参数还没有训练更好的话,便结束训练,这个原理就是early_stop,主要还是防止网络训练过度,造成过拟合现象,这也就是验证集虽然没有直接参与训练,但是却在其中扮演了一个非常重要的角色!

[过拟合]早停法 (Early Stopping)

如果要训练Unet++,则运行下面指令

        python .\train.py --arch="ResNetUnetPlus" --dataset=“Jiu0Monkey”

其它参数根据自己的情况进行配置

预训练模型及测试数据获取途径:知乎付费咨询后可获得,训练不易,体谅下0.0

预测:

将test.py的img_paths和mask_paths修改为自己的testImage和testMask的路径

运行下面指令获得测试结果以及GT文件:

        python .\test.py --name="jiu0Monkey_ResNetUnetPlus_woDS" --mode="GetPicture"

想了解更多指标的信息包括Dice、Hausdorff、IOU、PPV等,可以参考我这一篇(分割常用评价指标)

玖零猴：分割常用评价指标Dice、Hausdorff_95、IOU、PPV等(打马)

        python .\test.py --name="jiu0Monkey_ResNetUnetPlus_woDS" --mode="Calculate"

运行结果: