U-Net、R2U-Net、Attention U-Net、Attention R2U-Net 的 PyTorch 实现

(本仓库已停止更新)

U-Net：用于生物医学图像分割的卷积网络

https://arxiv.org/abs/1505.04597

基于 U-Net 的循环残差卷积神经网络 (R2U-Net) 用于医学图像分割

https://arxiv.org/abs/1802.06955

Attention U-Net：学习如何定位胰腺

https://arxiv.org/abs/1804.03999

Attention R2U-Net：仅是将两项最新先进方法（R2U-Net + Attention U-Net）进行整合

U-Net

R2U-Net

Attention U-Net

Attention R2U-Net

评估

我们仅使用 ISIC 2018 数据集 对模型进行了测试。该数据集被划分为训练集、验证集和测试集，三者的比例分别为整个数据集的 70%、10% 和 20%。整个数据集包含 2594 张图像，其中 1815 张用于训练，259 张用于验证，520 张用于测试模型。

Image_Segmentation 快速上手指南

本指南基于 PyTorch 实现，涵盖 U-Net、R2U-Net、Attention U-Net 及 Attention R2U-Net 四种医学图像分割模型。

注意：原仓库已停止更新，但核心代码仍可用于学习和基础实验。

环境准备

在开始之前，请确保您的系统满足以下要求：

• 操作系统: Linux (推荐), macOS, 或 Windows
• Python: 3.6 及以上版本
• 深度学习框架: PyTorch 1.0+
• 其他依赖: torchvision, numpy, PIL (Pillow)

建议创建独立的虚拟环境以避免依赖冲突：

python -m venv seg_env
source seg_env/bin/activate  # Windows 用户使用: seg_env\Scripts\activate

安装步骤

1. 克隆项目

首先从 GitHub 克隆代码仓库：

git clone https://github.com/qubvel/segmentation_models.pytorch.git
# 注意：若原链接失效，请根据实际仓库地址调整，此处以通用逻辑示意
# 针对本项目特定仓库：
git clone https://github.com/LeeJunHyun/Image_Segmentation.git
cd Image_Segmentation

2. 安装依赖

推荐使用国内镜像源（如清华源）加速 Python 包的安装：

pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple

如果项目中没有 requirements.txt，请手动安装核心依赖：

pip install torch torchvision numpy pillow matplotlib -i https://pypi.tuna.tsinghua.edu.cn/simple

基本使用

本项目主要用于训练和测试医学图像分割模型。以下是最简单的使用流程示例。

1. 数据准备

将数据集按照以下结构整理（以 ISIC 2018 为例）：

data/
├── train/
│   ├── images/
│   └── masks/
├── val/
│   ├── images/
│   └── masks/
└── test/
    ├── images/
    └── masks/

2. 运行训练

使用提供的脚本启动训练。您可以指定模型类型（unet, r2unet, att_unet, att_r2unet）。

# 示例：训练 Attention U-Net 模型
python main.py --model_type att_unet --cuda --num_epochs 50

常用参数说明：

• --model_type: 选择模型架构 (unet, r2unet, att_unet, att_r2unet)
• --cuda: 启用 GPU 加速
• --num_epochs: 训练轮数
• --batch_size: 批处理大小 (默认通常在脚本中定义，可按需修改)

3. 模型评估与预测

训练完成后，脚本通常会自动在验证集和测试集上进行评估。若要单独进行推理或可视化结果，可参考项目中的 visualize_results.py (如有) 或修改 main.py 中的测试逻辑。

# 示例：仅进行测试评估
python main.py --model_type att_unet --cuda --test_only

生成的预测结果和评估指标（如 Dice Score, IoU）将保存在输出目录中。