毕业设计做网站的步骤,学校网站建设考评办法,衡阳微信网站,网站开发列表1、 TransUnet 介绍
TransUnet是一种用于医学图像分割的深度学习模型。它是基于Transformer模型的图像分割方法#xff0c;由AI研究公司Hugging Face在2021年提出。 医学图像分割是一项重要的任务#xff0c;旨在将医学图像中的不同结构和区域分离出来#xff0c;以便医生可…1、 TransUnet 介绍
TransUnet是一种用于医学图像分割的深度学习模型。它是基于Transformer模型的图像分割方法由AI研究公司Hugging Face在2021年提出。 医学图像分割是一项重要的任务旨在将医学图像中的不同结构和区域分离出来以便医生可以更好地诊断和治疗疾病。传统的医学图像分割方法通常使用基于卷积神经网络CNN的方法但这些方法在处理大量图像数据时可能存在一些限制如需要大量标注数据、对图像中小目标的分割效果不佳等。
TransUnet通过引入Transformer模型来提高医学图像分割的性能。Transformer模型在自然语言处理中已经取得了显著的成功它的一个重要特点是能够处理长距离的依赖关系。TransUnet将这种特点应用于图像分割中通过将图像划分为一系列的图像块并使用Transformer模型对这些块进行编码和解码实现对图像中不同结构和区域的准确分割。 TransUnet的核心组件是自注意力机制它能够学习图像中不同部分之间的关系并在编码和解码过程中进行信息传递。通过多层自注意力机制的堆叠TransUnet能够捕捉到图像中的全局上下文信息并准确地分割出图像中的不同结构和区域。
与传统的基于卷积神经网络的方法相比TransUnet在医学图像分割任务上取得了显著的性能提升。它能够更好地处理图像中的小目标和复杂结构减少了对大量标注数据的依赖并且在不同的医学图像数据集上都取得了优异的效果。
总的来说TransUnet是一种基于Transformer模型的医学图像分割方法通过引入自注意力机制和全局上下文信息的传递提高了医学图像分割的准确性和效率。它为医生提供了一种精确分割医学图像的工具有助于更好地诊断和治疗疾病 2、 实验1腹部13器官分割
TransUnet 多分割项目实验 2.1 数据集介绍
实验使用的数据集是腹部的13器官分类、加上背景0就是14类别的多分割任务
标签如下
{0: background,1: spleen,2: right kidney,3: left kidney,4: gallbladder,5: esophagus,6: liver,7: stomach,8: aorta,9: IVC,10: veins,11: pancreas,12: rad,13: lad} 中文标签1. 脾脏 2. 右肾 3. 左肾 4. 胆囊 5. 食道 6. 肝脏 7. 胃 8. 主动脉 9. 下腔静脉 10. 门静脉和脾静脉 11. 胰腺 12 右肾上腺 13 左肾上腺 值得注意的是因为原始的数据是CT数据对比度较小这里对数据进行了对比度拉伸并且全部缩放到512*512的大小。数据的标签是0、1、2、3 ... 12、13的阈值图像
数据集 标签 2.2 训练
这里将数据集按照 82 比例分成了训练集和验证集 优化器为 optimizer torch.optim.AdamW(model.parameters(), lr0.01, weight_decay0.01)
学习率的衰减策略是余弦退火的cos衰减batch_size 8,epoch 设定为100 从左到右依次为epoch、train loss、train iou、val loss、val iou 2.3 评估模型
评估模型应该用测试集因为一开始没有划分测试集这里用验证集是一样的
这里采用 best.pt
各项指标分别为这里的列表分别是每个前景的iou、recall等等
global correct: 0.9881
precision: [0.9930, 0.9653, 0.9447, 0.9456, 0.8626, 0.8249, 0.9715, 0.9547, 0.9285, 0.8862, 0.7844, 0.8250, 0.6903, 0.6778]
recall: [0.9946, 0.9629, 0.9289, 0.9399, 0.8278, 0.6833, 0.9729, 0.9265, 0.9263, 0.8522, 0.7127, 0.7678, 0.5549, 0.4758]
IoU: [0.9877, 0.9306, 0.8810, 0.8917, 0.7314, 0.5968, 0.9459, 0.8875, 0.8646, 0.7681, 0.5960, 0.6603, 0.4443, 0.3880]
mean IoU: 0.7553 推理如下输入数据为 推理gt 掩膜效果 2.4 项目下载
代码、数据集、训练好的权重下载参考
基于Transformer-Unet实现的对腹部多脏器13类别的分割实战【包含代码数据集训练结果】资源-CSDN文库 3、实验2Synapse多器官分割数据集
TransUnet 多分割项目实验 3.1 数据集介绍
实验使用的数据集是Synapse multi-organ segmentation datasetSynapse多器官分割集
腹部CT扫描 8个腹部器官(主动脉、胆囊、脾、左肾、右肾、肝、胰腺、脾、胃) 标签灰度值从1-7 值得注意的是因为原始的数据是npz数据这里输入应该是图像所以对数据进行的提取并且全部缩放到512*512的大小。数据的标签是0、1、2、3 ... 7、8的阈值图像 3.2 训练
这里同样将数据集按照 82 比例分成了训练集和验证集 优化器为 optimizer torch.optim.AdamW(model.parameters(), lr0.01, weight_decay0.01)
学习率的衰减策略是余弦退火的cos衰减batch_size 8,epoch 设定为100 loss和iou曲线为 从左到右依次为epoch、train loss、train iou、val loss、val iou 3.3 评估模型
指标如下
global correct: 0.9924 precision: [0.9958, 0.9089, 0.8571, 0.9012, 0.9353, 0.9670, 0.8367, 0.9643, 0.9299] recall: [0.9967, 0.9085, 0.8419, 0.9289, 0.8797, 0.9642, 0.6350, 0.9687, 0.9267] IoU: [0.9925, 0.8327, 0.7383, 0.8431, 0.8292, 0.9335, 0.5650, 0.9351, 0.8662] mean IoU: 0.8373 推理如下 推理gt 掩膜效果 3.4 项目下载
代码、数据集、训练好的权重下载参考
基于Transformer-Unet实现的对Synapse多器官8类分割实战【包含代码数据集训练结果】资源-CSDN文库
