AI-Studio-Vnet论文复现

项目描述

Vnet模型，最近在计算机视觉和模式识别方面的研究突出了卷积神经网络(CNNs)的能力，以解决具有挑战性的任务，如分类、分割和目标检测。 实现了最先进的性能。这种成功归因于cnn学习原始输入数据的层次表示的能力，而不依赖手工制作的特征。当输入通过网络层进行处理时， 产生的特性的抽象级别就会增加。浅层掌握局部信息，而深层掌握局部信息。分割是医学图像分析中一个高度相关的任务。自动描绘感兴趣的器官 和结构通常是必要的，以执行任务，如视觉增强，计算机辅助诊断，干预和定量指标提取图像。 在这项工作中，我们的目标是分割肺实质 。这是一个具有挑战性的任务，因为在不同的扫描中，由于变形和强度分布的变化，肺实质可以呈现不同的外观 。此外，由于场的不均匀性， 还是在治疗计划中，解剖边界的估计需要准确

论文：

• V-Net: Fully Convolutional Neural Networks for Volumetric Medical Image Segmentation

项目参考：

• https://github.com/mattmacy/vnet.pytorch

快速开始

第一步：克隆本项目

git clone https://github.com/YellowLight021/Vnet cd Vnet

-imgs              #执行unzip脚本后会将原ct文件都放入该文件夹
-labels  #执行unzip脚本后会将原标注文件都放入该文件夹
-README.MD
-requirements      #模型训练时候需要pip install 的包。SimpleITK、scikit-image、setproctitle，也可以自行pip install安装
-train.py          #主体运行代码
-test.py          #测试代码
-utils.py          #主体运行代码用到的一些函数合集
-luna.py           #dataset处理模块。包括一些数据预处理和训练集、测试集划分。
-vnet.py           #vnet模型的paddle代码实现

第二步：安装第三方库

pip install -r requirements.txt

代码结构与说明

第三步：数据集下载

Prostate ）

1、执行unzip.py的脚本将prostate.zip原数据集文件解压并且将文件中对应的标注文件和ct文件分别存储到imgs、labels两个目录下

2、如图是执行python unzip.py脚本后的目录

第四步：模型训练

python train.py

模型每训练一个epoch会进行一次validation，训练了26个epoch的时候dice达到96.34716849% 训练日志在log文件夹下，模型参数在链接：https://pan.baidu.com/s/1NWrDq50E0ibsGJ2ArWH91w 提取码：mryw

第五步：模型训测试

python test.py 模型对testimg目录下的文件进行前向推理操作，预测的结果以npy格式保存到result_path目录下

在AI Studio上运行本项目

1、自行上传数据集到aistudio上

2、打开notebook点击全部运行就可以了

3、目前模型以checkpoint来保存的，每训练一个epoch进行一次val和一次checkpoint。将dice最大的保存成了checkpoint_model_best.pth.rar。