【一、整理-加上数据图片】MT-Unet模型的复现使用【个人记录学习】

已于 2022-03-23 15:38:57 修改
阅读量5.1k 收藏 39
点赞数 9
分类专栏： 深度学习 文章标签： python 计算机视觉 pytorch
于 2022-03-19 16:52:30 首次发布
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/weixin_44626191/article/details/123597922
版权
博主在尝试复现MT-UNet模型，首先从GitHub找到代码并尝试使用Synapse数据集。由于作者未提供数据，博主自行下载并预处理数据。在训练过程中遇到问题，发现训练和测试数据相同，导致结果偏差。经过调整代码和优化预处理，目前训练效果接近论文结果。下一步计划修正数据问题并继续训练以验证模型性能。

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

找MT-UNet-main代码----GitHub

一、复现MT-UNet

1.思路：先复现MT-UNet-main，再用我们的数据集跑

2.代码中有ACDC dataset 数据，但我们要跑Synapse dataset. 

3.找dataset数据：根据作者提示去

最低0.47元/天 解锁文章
3D、扩散模型、GAN、StyleGAN、MAE.等【face-swapping方法汇总】
zik的博客
05-25 3790
face-swapping是将一张脸的身份（肤色、面部皮肤、眉毛、眼睛、鼻子、嘴唇和嘴巴等）与另一张脸的非外观属性（表情、头部姿势、光照、图像分辨率、注释方向、头发、眼镜、耳朵、耳环、颈部和背景等非内部人脸区域）相结合，生成合成人脸。
医图顶会TIP24 | 边界感知原型在半监督医学图像分割中的应用
最新发布
小白学视觉
03-17 65
在半监督医学图像分割（SSMIS）中，真实标签扮演着重要的角色，因为当标签有限时，它能够提供最准确的监督信息。流行的SSMIS方法分别训练有标签和无标签数据，无标签数据无法直接由真实标签进行监督，这限制了标签对模型训练的贡献。是否有一个交互机制可以打破两种数据训练之间的分离，以最大化真实标签的利用？受此启发，我们提出了一种新颖的一致性学习框架，基于边界感知原型的非参数距离度量来缓解这个问题。该方法将基于CNN的线性分类和基于最近邻的非参数分类整合到一个框架中，鼓励两种分割范式对相同输入有相似的预测。
【三、对问题进行了解决】MT-Unet模型重新训练腹部和冠脉数据集【个人记录学习】
OWN CODE WORLD
03-28 2844
MT-Unet模型重新训练腹部和冠脉数据集
恒源云(GpuShare)_医学图像分割:MT-UNet
weixin_39881439的博客
03-09 650
我们社区有新的技术分享小伙伴啦🎉🎉🎉 热烈欢迎👏 作为一名合格的搬运工，我必须做点事情表达我的喜悦之情：搬运～搬运～立即搬运～ 文章来源 | 恒源云社区 原文地址 | 新的混合Transformer模块(MTM) 原文作者 | 咚咚 摘要 存在问题 虽然U-Net在医学图像分割方面取得了巨大的成功，但它缺乏对长期依赖关系进行显式建模的能力。视觉Transformer由于其固有的通过自注意（SA）捕捉长程相关性的能力，近年来成为一种可替代的分割结构。 存在问题 然而，Transformer.
Pytorch Unet 复现
kim_jisoo123的博客
12-01 1万+
pytorch-unet 来源：https://github.com/milesial/Pytorch-UNet 前两天搞了一下图像分割，用了下unet。之前没怎么用过复现了一下18年的une pytorch 版本，记录学习一下 1. 主函数 if __name__ == '__main__': args = get_args() device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')#判
使用自己数据集复现U-Net,R2U-Net,Att U-net,Att R2U-net过程。（代码参考： LeeJunHyun / Image_Segmentation ）
goodenough5的博客
02-27 3790
主要是怎么改成自己的数据集，注意文件路径和文件类型，进行修改即可。main.py的参数根据自己的需要进行修改。
[Transormer]MT-UNet：Mixed transformer UNet for medical image segmentation
qq_37151108的博客
12-17 3856
MTUNet:混合Transformer模型用于医学图像分割AbstractSection I IntroductionSection II MethodsPart 1 Overall Structure DesignPart 2 Mixed Transformer ModulePart 3 Local-Global Gaussian-Weight Self-AttentionPart 4 External AttentionSection III ExperimentsPart 1 Ablation St
探索医疗图像分割新境界：MT-UNet
gitblog_00036的博客
06-12 431
探索医疗图像分割新境界：MT-UNet 去发现同类优质开源项目:https://gitcode.com/ 1、项目介绍 MT-UNet 是一个为医疗图像分割设计的深度学习模型，其代码已经在ICASSP 2022会议上接受并公开。这个创新的模型结合了Transformer和传统的卷积神经网络（CNN）的优点，以提高对复杂医学图像结构的识别精度。 2、项目技术分析 MT-UNet 的核心在于其混合架构...
【二、整理--加上数据图片】MT-Unet模型训练自己的冠脉数据集【个人记录学习】
OWN CODE WORLD
03-19 7370
二、使用我们自己的数据集 11. 从此开始，尝试带入我们自己的数据集进行训练和测试。（Q3，项目中虽然输入的5125123的数据，但是会裁剪成2442443的，看GitHub上的issues里面，有人询问过作者这个问题，作者回复大概意思是，如果想要自适应图片尺寸，除了要改变输入图片的尺寸大小，或许还需要更改网络。作者并没有给明确的答复。因此先抛开数据的尺寸问题，先将我们的数据可以扔进去，尺寸问题后面再进行研究） 12. 我们的数据train和test都是png格式的，而项目需要的原始数据是（img.nii.
医学图像数据集下载地址
qq_44504069的博客
04-11 4087
医学图像数据集下载地址
Synapse
03-08
突触
UNet训练自己的数据集
to的博客
07-11 3038
pycharm中python环境设置：打开左上角File ---> Settings ---> 如下图 ---> Add 选择合适的python版本，进行环境设置。
Synapse医学分割数据集：开启精准医疗的新篇章
gitblog_09716的博客
09-07 5327
Synapse医学分割数据集：开启精准医疗的新篇章 Synapsedata.rar项目地址:https://gitcode.com/open-source-toolkit/df657 项目介绍 在医疗影像分析领域，精准的图像分割是诊断和治疗的关键步骤。为了满足这一需求，我们推出了Synapse医学分割数据集，这是一个经过精心处理的高质量数据集，专为医学图像分割任务设计。该数据集包含512x512...
Synapse医学分割数据集
gitblog_09794的博客
09-07 1470
Synapse医学分割数据集 Synapsedata.rar项目地址:https://gitcode.com/open-source-toolkit/df657 描述 本仓库提供了一个已经处理好的Synapse医学分割数据集，所有图像均为512x512像素的PNG格式。数据集的结构包括train和mask两个部分。mask文件夹中包含了8个类别的分割标签，分别用像素值0-7表示。由于像素值较低，...
TransUNet
sinat_39385228的博客
08-31 4080
TransUNet代码调试记录 bug 1.运行测试代码test.py AttributeError: “‘skip_channels’” 找到的网上有关错误的信息：skip_channels 按提示把vit_seg_modeling.py中的 skip_channels = self.config.skip_channels 改为 skip_channels = [512,256,64,16] 然后又有另一个bug： 看了一下我的目录结构，没有epoch_29.pth： 找到解决办法：Change
TransUnet官方代码训练自己数据集（彩色RGB3通道图像的分割）
热门推荐
qq_37652891的博客
03-13 5万+
官方代码：https://github.com/Beckschen/TransUNet 目的：训练5个类别的汽车部件分割任务（测试在另一篇博客中） 实现效果： 1. github下载代码，并解压。 项目里的文件可能跟你下载的不一样，不急后面会讲到！ 2. 配置数据集（尽最大努力还原官方数据集的格式）。 通常自己手上的数据集分images和labels文件夹，分别存放着原始图像和对应的mask图像，如下图所示; mask图像中的像素有0,1,2,3,4 分别代表背景，车身，轮子，车灯，窗户，一共五个
医学图像分割的UniMatch：半监督医学图像分割的新选择
OverlordDuke的博客
02-20 952
UniMatch作为一种新颖的半监督医学图像分割方法，为解决医学图像分割中的标注困难和模型泛化问题提供了新的思路和解决方案。未来，我们将进一步完善UniMatch的功能和性能，探索更多适用于医学图像分割的技术和方法，为医学影像诊断和疾病研究提供更加有效和可靠的工具和支持。
（新SOTA）UNETR++：轻量级的、高效、准确的共享权重的3D医学图像分割
qq_45807235的博客
03-05 9903
UNETR++：轻量级的、高效、准确的共享权重的3D医学图像分割高效配对注意(EPA)块，该块使用一对基于空间和通道注意的相互依赖的分支来有效地学习空间和通道方面的判别特征
TransUnet Synapse 数据集共享
zy的博客
10-28 4720
Synapse 数据集共享
评论 33
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

打赏作者

OWN CODE WORLD

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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