Skip to content

tqb4342/Unet-liverseg

Repository files navigation

unet分割肝脏笔记

前言

原来的思路

测试一

  • 最开始采用的训练方式是,将所有的数据集混在一起,然后对数据做equalization,之后随机挑选训练集,验证集和测试集,对训练集数据进行弹性形变增强,弹性形变增强原理可参考:论文笔记:图像数据增强之弹性形变(Elastic Distortions),此时训练出来的模型作用到测试集上,Dice的精度达到94%,是目前为止几种测试中精度最高的一种。
  • 但是这种训练思路有问题,测试集的有些中间层切片已经在训练集中被训练过了,所以该模型去拟合测试集,效果很好,但是拟合之前从未出现过测试集效果可能会很差,泛化能力有待验证。

测试二

  • 本来只有sliver07的数据集,后来加入了chaos数据集,由于不同的数据集之间灰阶值差距很大,也就是灰度值方位差别很大,所以先对灰度图像做clipnormalize,使所有的数据集灰阶值在同一区间。
  • 训练集,验证集和测试集的选择是每组数据的png图片作为一个整体单元,sliver07的数据集作为训练数据集,chaos数据集作为验证集和测试集,训练集依然弹性增强,训练出来的模型拟合测试集,dice精度86%。精度有待增强。

测试三

  • 数据集的选择和测试二一样,只不过没有对数据集进行clipnormalize,模型正在训练中,就目前的训练情况来看,可能会优于测试二的结果。

测试三

  • 只是设想,还没有正式实验。
  • 思路:在测试三的基础上对所有数据集做equalization,之后再进行训练。

代码解释

  • unet_vx.py:Unet网络结构代码,包括数据读取;
  • test_unet.py:加载模型测试代码;
  • elastic_transform.py:弹性形变数据增强代码;
  • data_preprocess/dcm2png.py:将dcm格式数据装换成png格式的代码;
  • data_preprocess/img_normalization.py:对数据进行equalization的代码;
  • data_preprocess/pre_process.py:对数据进行clipnormalize的代码;
  • data_preprocess/showimage.py:对肝脏图片可视化的代码。

About

2维分割与数据增强

Resources

Stars

Watchers

Forks

Releases

No releases published

Packages

No packages published