1、前言

本章将介绍将densenet的主干网络引入unet中

官方实现的代码：kits19-challenge/network at master · nitsaick/kits19-challenge (github.com)

本章实现的项目目录如下：

主要代码有train、evaluate、predict脚本

 

 

2、代码介绍

数据预处理脚本

数据的预处理放在dataset脚本中，这里参考sam模型的预处理。利用numpy和cv进行归一化、翻转、图像增强等等，而非torch中的transform

主要如下：

红色框的部分为windowing窗口化拉伸对比度，因为大多数医学数据都是CT格式，对比度很差，如果原数据对比度还行的话，可以注释掉

数据增强采用了水平和垂直翻转：

train 训练脚本

参数如下，如果image和mask的后缀格式不同，需要更改这里

使用的优化器是Adam、损失是多类别的交叉熵、学习率衰减是cos余弦退火算法

evaluate 评估模型

默认采用训练过程中生成的最好的权重

代码会在测试集上进行评估，计算mean iou、recall、precision、全局pixel准确度等等

3、项目使用

测试用的数据集为腹部多脏器的五分割：

项目下载：基于DenseUnet对腹部多脏器5类的分割实战【包含代码+数据集+训练结果】资源-CSDN文库

3.1 数据集摆放

数据集摆放如下：

--data--train---images   训练集的图像
--data--train---masks    训练集的图像标签
--data--val---images     验证集的图像
--data--val---masks      验证集的图像标签
--data--test---images    测试集的图像(如果有的话)
--data--test---masks     测试集的图像标签(如果有的话)

训练集用于训练网络、验证集用于验证模型调整超参数、测试集用于评估模型精度

3.2 训练

摆放好数据，直接运行train脚本即可，代码会计算mask的像素值，然后自动设定denseunet的输出类别个数

训练完成，会将所有结果保存在runs目录下：

预处理可视化：

因为原图是MRI格式的，所有windowing方法增强效果不明显

训练日志：

依次为epoch、train loss、train iou、val loss、val iou

学习率衰减：

3.3 评估模型

脚本是evaluate代码，这里填写测试集路径即可

代码会计算测试集的精度，保存在txt文本中（runs目录）

列表的值，是不同类别的recall、iou等

 

3.4 推理代码

predict 脚本

效果如下，会生成gt图以及image+gt的掩膜图

输入图像：

gt图：

掩膜图：