【3D图像分割】基于 Pytorch 的 3D 图像分割3（3D UNet 模型篇）

已于 2024-11-06 20:14:45 修改
阅读量9k 收藏 86
点赞数 19
CC 4.0 BY-SA版权
分类专栏： 人工智能（AI）医学影像 文章标签： pytorch 人工智能 python unet
于 2023-11-03 08:08:11 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/wsLJQian/article/details/134059062

文章目录


在本文中，主要是对 3D UNet 进行一个学习和梳理。对于 3D UNet 网上的资料和 GitHub直接获取的代码很多，不需要自己从 0开始。那么本文的目的是啥呢？

本文就是想拆解下其中的结构，看看对于一个3D的UNet，和2D的UNet，究竟有什么不同？如果是你自己构建，有什么样的经验和技巧可以学习。

3D的UNet的论文地址：3D U-Net: Learning Dense Volumetric Segmentation from Sparse Annotation

对于2D的UNet感兴趣的小伙伴，可以先跳转去这里：【BraTS】Brain Tumor Segmentation 脑部肿瘤分割2（UNet的复现）；相信阅读完，你会对这个模型ÿ

了解本专栏 订阅专栏 解锁全文 超级会员免费看
【3D 图像分割】基于 Pytorch 的 3D 图像分割5（训练篇）
钱多多先森
11-08 2067
对训练过程进行了整体的梳理，和对其中缺失的模型进行了补全。通过本篇文章，可以快速的将模型和数据部分串联成一个整体
【3D 图像分割】基于 Pytorch 的 3D 图像分割10（测试推理篇）
钱多多先森
11-08 1374
单个裁剪patch的预测是简单的，而本文将从crop和merge两个阶段，在预测推理中并到一起，更加的简洁明了
pytorch-3dunet:用pytorch编写的用于体积语义分割的3D U-Net模型
05-05
pytorch-3dunet PyTorch实施3D U-Net及其变体： 基于3D U-Net的标准3D U-Net ÖzgünÇiçek等人。 基于残差3D U-Net。 该代码允许对U-Net进行以下方面的训练：语义分割（二进制和多类）和回归问题（例如降噪，学习解卷积）。 二维U网 也可以训练标准2D U-Net，有关示例配置，请参见 。 只需确保将单例z维保留在H5数据集中（即(1, Y, X)而不是(Y, X) ），因为数据加载/数据扩充始终需要3级张量。 先决条件 Linux NVIDIA GPU CUDA CuDNN 在Windows上运行 该软件包尚未在Windows上进行过测试，但是有报告称该软件包已在Windows上使用。 要记住的一件事：在使用CrossEntropyLoss进行训练时：配置文件中的标签类型应该从long更改为int64 ，否则会出现错误：
医学图像处理算法学习——3DUnetCNN（1）
weixin_50961326的博客
10-08 3513
3DUnetCNN代码注释详解笔记
pytorch-3dunet-用于体积语义分割的3D U-Net模型
最新发布
gitblog_06753的博客
04-12 1042
pytorch-3dunet-用于体积语义分割的3D U-Net模型 【下载地址】pytorch-3dunet-用于体积语义分割的3DU-Net模型 pytorch-3dunet是一个基于PyTorch框架实现的3D U-Net模型及其变体的开源项目，专注于体积数据的语义分割任务。无论是二进制分割、多类分割，还是回归问题...
[pytorch] 3D Unet + Resnet替换Encoder
qq_38736504的博客
03-28 2627
本文介绍如何实现Unet的3D版本，以及如何用Resnet替换Unet原始版本的Encoder.原版Unet的实现:Resnet的实现:建议先对这两种网络结构有一定的了解，如果懒得去学习的话可以直接使用第三章节U-Net_resnet_encoder的完整代码。
3D U-Net论文笔记
charles_zhang_的博客
04-15 4355
3D U-Net论文笔记 原文地址：Learning Dense Volumetric Segmentation from Sparse Annotation Abstract 本文介绍了一种从稀疏标注的体图像中学习的体分割网络。我们概述了这种方法的两个有吸引力的用例：（1）在半自动设置中，用户在要分割的volume(立方体)中注释一些切片。该网络从这些稀疏注释中学习，并提供密集的3D分割。（2） 在完全自动化的设置中，我们假设存在一个具有代表性的、稀疏注释的训练集。在这个数据集上训练，网络密集地分割新的
3DUnetCNN:Pytorch 3D U-Net卷积神经网络（CNN）设计用于医学图像分割
05-13
3D U-Net卷积神经网络 背景 我们设计3DUnetCNN使其易于应用和控制各种深度学习模型对医学成像数据的训练和应用。 上面的链接提供了有关如何将本项目与来自MICCAI各种挑战的数据一起使用的示例/教程。 依存关系 火炬 Nilearn 大熊猫 凯拉斯 有问题吗？ 加入或给我发电子邮件 。 引文 Ellis DG，Aizenberg MR（2021年），尝试使用开源深度学习框架对胶质瘤进行分割的U-Net培训修改。 在：Crimi A.，Bakas S.（eds）脑损伤：脑胶质瘤，多发性硬化症，中风和脑外伤。 《 BrainLes 2020》。计算机科学讲座，第12659卷。ChamSpringer。 https://doi.org/10.1007/978-3-030-72087-2_4 其他引用 Ellis DG，Aizenberg MR（2020）使用通过注册增强的深度
[深度学习论文笔记]3D U-Net: Learning Dense Volumetric Segmentation from Sparse Annotation 从稀疏标注学习密集体分割
Slientsake的博客
05-03 4674
3D U-Net: Learning Dense Volumetric Segmentation from Sparse Annotation 3D-U-Net：从稀疏标注学习密集体分割 Published: MICCAI 2016 论文：https://arxiv.org/abs/1606.06650 代码：https://github.com/lee-zq/3DUNet-Pytorch/ 问题动机： 在生物医学数据分析中，3D数据是非常丰富的。用分割标签注释这些数据会很困难，因为只有二维切片可以在计算机
基于 Pytorch 的遥感图像分割模型在语义分割任务中的性能 该模型采用了Unet++ 架构，以提高遥感图像分割的精度和效果
06-07
【作品名称】：基于 Pytorch 的遥感图像分割模型在语义分割任务中的性能。该模型采用了Unet++ 架构，以提高遥感图像分割的精度和效果 【适用人群】：适用于希望学习不同技术领域的小白或进阶学习者。可作为毕设项目...
使用 DICOM RT 对医学图像进行 3D 语义分割：将 3D UNet（语义分割）应用到医学 CT 图像中，无需浪费时间进行标记。-matlab开发
05-29
当使用体积图像进行深度学习时，标记数据是一个很大的挑战。 在放射治疗领域，从CT图像中，提取人体、器官、GTV等各个区域作为区域数据，并存储在DICOM RT的RT-Structure中。 这些数据主要用于计划治疗，但我们也可以使用它们作为标签数据来加速深度学习工作流程。 通过此演示，您可以了解如何将 RT-Structure 数据转换为标签数据，并使用它们在 MATLAB 上训练 3D UNet（语义分割）模型。 [日本人]医学图像 3D 深度学习的主要挑战是标记复杂且耗时。在放射治疗领域，人体、器官、肿瘤等被定义为所拍摄的 CT 图像的区域，并由 DICOM RT 的 RT-Structure 管理。这些是为治疗计划而创建的，但提取的区域数据也可以用作深度学习的标签。在此演示中，您可以转换 RT-Structure 数据以用于深度学习并学习流程，直到将其用于学习 3D UNet。
损失函数matlab代码-3D-UNet-PyTorch-Implementation:使用PyTorch实现3D-UNet
06-08
损失函数matlab代码3D-UNet-PyTorch-实现 这是Özgün Çiçek等人提出的3D UNet的实现，详情请参考：。 使用的数据集：，我使用的数据集已经被其他人处理过，由于某些原因我不能在这里分享它。 如果您想在工作中使用它，请参考提供的 MATLAB 代码并将图像转换为适当的格式以供进一步处理和分析。 描述 这里描述每个文件和文件夹的功能 训练结果 这里显示了包括训练损失和 mIOU 在内的训练结果。 注：由于硬件资源有限，代码尚未成功测试。 WIP（最近很忙，代码可能更新得有点晚。但是，我一直在努力）。
3D unet CNN网络
06-10
3D的unet CNN网络，用于3D图像的分割。效果还是不错的
pytorch 编写unet网络用于图像分割
07-29
pytorch实现unet网络，专门用于进行图像分割训练。该代码打过kaggle上的 Carvana Image Masking Challenge from a high definition image.
医学图像分割-基于Pytorch+Unet实现的医学图像分割算法-支持训练+预测-附一键执行训练脚本-优质算法项目实战.zip
10-20
通过使用Pytorch框架和UNet模型，结合一键执行的训练脚本，使得研究者和开发者能够更快地进行医学图像分割相关的研究和应用开发。这不仅是一个优质算法项目实战的展示，也为医疗影像分析领域提供了强大的技术支持。
【Python/Pytorch - 网络模型】-- 手把手搭建3D U-Net模型
银尘博客
06-12 1400
通过3D U-Net代码学习，可以学习基于Pytorch的网络结构模块化编程，对于后续学习其他更复杂3D网络模型，有很大的帮助作用。在01中，可以根据3D U-Net的网络结构（开头图片），进行模块化编程。包括卷积模块定义、上采样模块定义、下采样模块定义、输出卷积层定义、网络模型定义等。在模型调试过程中，可以先通过简单测试代码，进行代码调试。
UNet-3D个人理解及代码实现（PyTorch）
热门推荐
张壮壮的博客
04-07 3万+
以下内容均为个人理解，如有错误，欢迎指正。 UNet-3D 论文链接：地址 网络结构 UNet-3D和UNet-2D的基本结构是差不多的，分成小模块来看，也是有连续两次卷积，下采样，上采样，特征融合以及最后一次卷积。 UNet-2D可参考：VGG16+UNet个人理解及代码实现（Pytorch） 不同的是，UNet-3D的卷积是三维的卷积。 关于2D卷积和3D卷积的区别可参见这篇文章：链接 需要注意的是，UNet-3D的连续两次卷积操作中，第一次卷积和第二次卷积的输出通道数是不同的（UNet-2D的连续两
VISTA3D：统一三维医学影像分割基础模型——支持127类自动分割、交互式编辑与零样本学习的端到端解决方案，32 G 显存训练
Debroon
12-17 1357
VISTA3D是首个统一的3D医学影像分割基础模型，通过创新的双分支架构和超体素技术，实现了自动分割、交互式编辑和零样本学习的统一。这篇论文的核心创新在于提出了一个能够统一处理3D医学影像分割多种任务的基础模型，通过创新的架构设计和训练策略，实现了优异的性能表现。问题是：这种模拟人眼的观察，从2D到3D的知识迁移方法真的能保留SAM模型中最有价值的"理解力"吗？构建一个统一的3D医学影像分割基础模型，实现自动分割、交互式编辑和零样本泛化能力的统一。VISTA3D是一个统一的3D医学影像分割基础模型。
3D UNET
03-14
### 3D U-Net 模型介绍 3D U-Net 是一种专门设计用于处理三维数据的深度学习架构，其核心理念继承自经典的二维 U-Net 结构。该模型采用了类似的编码器-解码器框架以及跳跃连接机制来保留空间信息并改善分割效果[^3]。 #### 编码器阶段 在网络前端，输入的数据会经过一系列下采样操作逐步减少尺寸的同时增加通道数量，以此提取更深层次的空间特征表示。这一过程有助于捕捉不同尺度下的物体形态变化规律。 #### 解码器阶段 随后，在解码路径上则相反地执行上采样的动作以恢复原始大小，并通过逐层融合来自编码端对应位置的信息来增强局部细节的表现力。这种双向交互的方式可以有效地弥补因降维而丢失的重要属性。 #### 输出层 最后，在网络末端采用 \(1 \times 1\) 卷积核变换维度至目标类别的数目，进而得到完整的预测标签分布图作为输出结果。 ```python import torch.nn as nn class UNet3D(nn.Module): def __init__(self, in_channels=1, out_channels=2, init_features=32): super(UNet3D, self).__init__() features = init_features # Encoder layers self.encoder1 = self._block(in_channels, features) self.pool1 = nn.MaxPool3d(kernel_size=2, stride=2) self.encoder2 = self._block(features, features * 2) self.pool2 = nn.MaxPool3d(kernel_size=2, stride=2) # Bottleneck layer self.bottleneck = self._block(features * 2, features * 4) # Decoder layers with skip connections self.upconv2 = nn.ConvTranspose3d( features * 4, features * 2, kernel_size=2, stride=2 ) self.decoder2 = self._block((features * 2) * 2, features * 2) self.upconv1 = nn.ConvTranspose3d( features * 2, features, kernel_size=2, stride=2 ) self.decoder1 = self._block(features * 2, features) # Output convolution (1*1 conv.) self.conv = nn.Conv3d( in_channels=features, out_channels=out_channels, kernel_size=1 ) @staticmethod def _block(in_channels, features): return nn.Sequential( nn.Conv3d( in_channels=in_channels, out_channels=features, kernel_size=3, padding=1, bias=False), nn.BatchNorm3d(num_features=features), nn.ReLU(inplace=True)) ``` ### 应用领域 由于具备强大的语义理解能力和精准定位功能，3D U-Net 广泛应用于多个行业： - **医学影像分析**：如脑部 MRI 图像中的病灶识别、肺结节 CT 断层扫描里的异常区域划分等； - **材料科学**：微观结构重建与缺陷检测； - **地理信息系统**：地下资源勘探及环境监测； - **自动驾驶技术**：感知周围障碍物形状和距离关系；
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

打赏作者

钱多多先森

你的鼓励，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