這是我去年本科畢業設計的一部分，去年使用tensorflow去實現的，這幾天就隨手用Pytorch做了一下實現。肝臟腫瘤的分割是醫學影像分割里面比較重要的一部分，實現從人的CT或MRI影像中將肝臟區域腫瘤給分割出來，對臨床治療還是有一定的實際意義。在這里網絡還是使用最簡單的U-net網絡，U-net作為醫學影像分割中的最經典的方法，其Encoder和Decoder的結構以及對稱式的設計對后面的很多網絡都有很大的影響。

網絡結構

跳躍連接部分就是講encoder的特征圖和decoder的特征圖在通道緯度上做拼接。

數據集介紹

因為醫學影像的特殊性，大多數人的數據集都不會公開，這里介紹一個公開數據集：3D-IRCADB，里面包含有20個病人的CT影像序列，每個病人包含大概幾百張吧，記不清楚了，文件是以DICOM格式存儲的，mask也是用的DICOM格式存儲。我不是很習慣，所以我先將圖像都處理成了png格式。長這樣：
image：

label：

轉換的過程會用到一個第三方庫，不詳細介紹，會重新寫一篇博客。

整個訓練過程以及網絡結構跟我的前兩片博客完全一致，就是dataloader修改了一下，這里不詳細介紹了，完整的代碼可以訪問我的Github找到，用了兩千張圖像訓練了80個epoch得到的結果從肉眼上看起來很不錯。

Dataset.py

# !/usr/bin/python3 # -*- coding:utf-8 -*- # Author:WeiFeng Liu # @Time: 2021/12/9 下午1:28 """ 使用的是視網膜血管分割的數據集，訓練集就二十張圖像 """ import torch import cv2 import os import glob from torch.utils.data import Dataset import randomclass _3Dircadb_Dataset(Dataset):def __init__(self,data_path):self.data_path = data_pathself.image_path = glob.glob(os.path.join(data_path,'image/*.png'))self.label_path = glob.glob(os.path.join(data_path,'label/*.png'))def augment(self,image,mode):""":param image::param mode: 1 :水平翻轉 0 : 垂直翻轉 -1 水平+垂直翻轉:return:"""file = cv2.flip(image,mode)return filedef __len__(self):return len(self.image_path)def __getitem__(self,index):image_path = self.image_path[index]label_path = self.label_path[index]#讀取image = cv2.imread(image_path)label = cv2.imread(label_path)#轉為灰度圖image = cv2.cvtColor(image,cv2.COLOR_BGR2GRAY)label = cv2.cvtColor(label,cv2.COLOR_BGR2GRAY)# 隨機進行數據增強,2時不做數據增強mode = random.choice([-1, 0, 1, 2])if mode != 2:image = self.augment(image, mode)label = self.augment(label, mode)image = image.reshape(1, image.shape[0], image.shape[1])label = label.reshape(1, label.shape[0], label.shape[1])# 標簽二值化 ，將255 -> 1label = label / 255return image, label# isbi = _3Dircadb_Dataset(r"Dataset/train/") # print(len(isbi)) # train_loader = torch.utils.data.DataLoader(isbi, # batch_size=2, # shuffle=True) # for image ,label in train_loader: # print(image.shape)

test

image

label

segment result

總結

以上是生活随笔為你收集整理的基于U-net的肝脏肿瘤分割实战（Pytorch实现）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。