【本文持續更新…】

算法概括

文獻鏈接:U-Net: Convolutional Networks for Biomedical Image Segmentation
開源項目鏈接：U-Net on ACDC dataset

U-Net結構示意

結構： U-Net具有簡單的網絡結構，前、后兩部分通常被稱為”編碼器“和”解碼器“，因其類似于大寫的英文字母U的整體結構，故得名U-Net。
特點： U-Net的獨特之處在于特征融合的方式，即將特征在Channel維度拼接在一起，形成更厚的特征。

使用數據集-ACDC

簡介：Automated Cardiac Diagnosis Challenge

本次比賽的目的是比較自動方法對五類檢查（正常病例、心力衰竭伴梗死、擴張型心肌病、肥厚型心肌病、右心室異常）的分類性能。 相應的數據庫由 150 名患者組成，這些患者具有在臨床常規中獲得的 3D 電影-MR 數據集。 訓練數據集涉及 100 名患者，而測試數據集由隨機選擇的 50 名患者組成，其中每種病理均等表示。

數據構成

該研究的目標人群由 150 名患者組成，分為以下 5 個亞組：

30 名正常受試者 - NOR

30 例既往心肌梗死患者（左心室射血分數低于 40% 和幾個心肌節段異常收縮） - MINF

30 例擴張型心肌病患者（舒張期左心室容積 >100 mL/m 2且左心室射血分數低于 40%） - DCM

30 例肥厚型心肌病患者（左心室心臟質量高于 110 g/m 2，幾個心肌節段舒張期厚度高于 15 mm，射血分數正常） - HCM

30例右心室異常（右心室腔容積高于110 mL/m 2或右心室射血分數低于40%）- RV

PS：每組根據生理參數明確定義，如左或右舒張量或射血分數、左室局部收縮、左室質量和心肌最大厚度。

規則定義

標簽由兩位具有10年以上臨床經驗的專家共同標注、修改，達成共識后定義以規則如下：

必須覆蓋左右心室（根據現有數據）；

乳頭肌包含在左腔內；

在 LV 基底平面處沒有肌肉插補（The輪廓遵循主動脈瓣定義的限制）；

漏斗部不包括在右腔內（必須看到明顯的分離）。

此外，創建了Groundtruth 標簽場圖像，其中 0、1、2 和 3 代表位于背景、RV 腔、心肌和 LV 腔中的體素。

術語&符號說明

ED：End-Diastole，舒張末期
ES：End-Systole，收縮末期
EDV：End-Diastolic Volume，舒張末期容積
ESV：End-Systolic Volume，收縮末期容積

實驗過程

數據預處理

python dataset_utils.py -i INPUT_FOLDER -out2d OUTPUT_FOLDER_FOR_2D_DATA -out3d OUTPUT_FOLDER_FOR_3D_DATA

• INPUT_FOLDER:存放原始訓練數據的路徑
• OUTPUT_FOLDER_FOR_2D_DATA: 存放預處理后2D訓練數據的路徑
• OUTPUT_FOLDER_FOR_3D_DATA:存放預處理后3D訓練數據的路徑

運行過后，在對應路徑下將出現后綴為.npy的數據文件，包括訓練集的100個文件和測試集的50個文件。

補充知識

三種圖像分割類型

語義分割：分類對象為圖像上的所有像素點；

實例分割：精確到物體邊緣的分割，在圖中標注一類物體；

全景分割：檢測圖像中的所有物體，并對其進行分割。

simpleITK

cv2保存圖片全黑問題

cv2.imwrite()會將原圖片從0-255范圍標準化至0-1范圍，只需要修改imwrite的輸入即可：

cv2.imwrite('demo.png', image*255)

總結

以上是生活随笔為你收集整理的【Pytorch-ACDC】复现U-Net for Cardiac Segmentation记录的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。