Unet-分割-Pytorch-嵌套Unet

用于图像分割的不同类型Unet模型的实现

1. UNet - U-Net：用于生物医学图像分割的卷积网络 https://arxiv.org/abs/1505.04597

2. RCNN-UNet - 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

3. Attention Unet - 注意力U-Net：学习在哪里寻找胰腺 https://arxiv.org/abs/1804.03999

4. RCNN-Attention Unet - 注意力R2U-Net：只是将两项最新先进成果（R2U-Net + 注意力U-Net）进行了整合

5. Nested UNet - UNet++：用于医学图像分割的嵌套U-Net架构 https://arxiv.org/abs/1807.10165

附带层可视化功能

1. 入门

克隆仓库：

git clone https://github.com/bigmb/Unet-Segmentation-Pytorch-Nest-of-Unets.git

2. 需求

python>=3.6
torch>=0.4.0
torchvision
torchsummary
tensorboardx
natsort
numpy
pillow
scipy
scikit-image
sklearn

安装所有依赖库：

pip install -r requirements.txt

3. 运行文件

将所有文件夹添加到第106-113行：

t_data = '' # 输入数据
l_data = '' # 输入标签
test_image = '' # 训练时待预测的图像
test_label = '' # 预测图像的标签
test_folderP = '' # 测试图像文件夹
test_folderL = '' # 用于计算Dice分数的测试标签文件夹

4. Unet的类型

Unet

RCNN Unet

Attention Unet

Attention-RCNN Unet

Nested Unet

5. 可视化

要绘制损失曲线，需要使用Visdom。代码已经写好，只需取消注释相应部分即可。 也可以使用梯度流。参考自（https://discuss.pytorch.org/t/check-gradient-flow-in-network/15063/10）

会创建一个模型文件夹，所有数据都会存储在其中。 最后一层会被保存在模型文件夹中。如果需要特定层的数据，请在第361行注明。

层可视化

滤波器可视化

TensorboardX 还需要调整一些参数才能实现可视化。之前曾尝试让PyTorch 1.1.0直接与TensorBoard配合使用，结果发现目前它只支持线性图表。

输入图像可视化，用于检查

a) 原始图像

b) 中心裁剪后的图像

6. 结果

海马体分割的Dice分数 ADNI-LONI 数据集

7. 引用

如果您觉得对您的工作有帮助，请引用：

@article{DBLP:journals/corr/abs-1906-07160,
  author    = {Malav Bateriwala and
               Pierrick Bourgeat},
  title     = {Enforcing temporal consistency in Deep Learning segmentation of brain
               {MR} images},
  journal   = {CoRR},
  volume    = {abs/1906.07160},
  year      = {2019},
  url       = {http://arxiv.org/abs/1906.07160},
  archivePrefix = {arXiv},
  eprint    = {1906.07160},
  timestamp = {Mon, 24 Jun 2019 17:28:45 +0200},
  biburl    = {https://dblp.org/rec/bib/journals/corr/abs-1906-07160},
  bibsource = {dblp computer science bibliography, https://dblp.org}
}

8. 关于不同Unet的博客

正在撰写中

Unet-Segmentation-Pytorch-Nest-of-Unets 快速上手指南

本工具集成了多种先进的 U-Net 变体模型（包括标准 U-Net、R2U-Net、Attention U-Net 及 UNet++），适用于医学图像分割等语义分割任务，并提供层可视化功能。

1. 环境准备

在开始之前，请确保您的开发环境满足以下要求：

• 操作系统：Linux / macOS / Windows
• Python 版本：>= 3.6
• 核心依赖：
  • PyTorch (>= 0.4.0)
  • torchvision
  • tensorboardx
  • scikit-image, scipy, numpy, pillow, sklearn 等科学计算库

国内加速建议： 安装 Python 依赖时，推荐使用清华或阿里镜像源以提升下载速度： pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple

2. 安装步骤

第一步：克隆项目

使用 git 将代码仓库克隆到本地：

git clone https://github.com/bigmb/Unet-Segmentation-Pytorch-Nest-of-Unets.git

第二步：进入目录并安装依赖

进入项目文件夹并安装所需的 Python 库：

cd Unet-Segmentation-Pytorch-Nest-of-Unets
pip install -r requirements.txt

3. 基本使用

本项目通过修改主脚本中的路径配置来运行不同的模型。请按照以下步骤配置数据路径并启动训练/预测。

配置数据路径

打开主程序文件（通常为 .py 结尾的主入口文件），找到第 106-113 行左右的数据路径配置部分，填入您的数据集路径：

t_data = ''      # 输入图像数据文件夹路径
l_data = ''      # 输入标签数据文件夹路径
test_image = ''  # 训练过程中用于预测的测试图像路径
test_label = ''  # 预测图像对应的真实标签路径
test_folderP = ''# 测试图像文件夹路径
test_folderL = ''# 测试标签文件夹路径（用于计算 Dice 分数）

选择模型类型

代码中已内置以下模型架构，您可以根据需求在代码中选择调用（通常通过注释取消或参数指定）：

1. UNet: 标准 U-Net
2. RCNN-UNet (R2U-Net): 基于循环残差卷积的 U-Net
3. Attention Unet: 引入注意力机制的 U-Net
4. RCNN-Attention Unet: R2U-Net 与 Attention 的结合
5. Nested UNet (UNet++): 嵌套式 U-Net 架构

运行与可视化

配置完成后，直接运行主脚本即可开始训练。

• 损失可视化：代码已集成 Visdom 支持，如需绘制损失曲线，请取消代码中相关部分的注释。
• 梯度流检查：支持梯度流可视化，用于分析网络训练状态。
• 层与滤波器可视化：训练生成的模型文件夹中将保存最后一层的可视化结果。若需查看特定层，请修改代码第 361 行指定层数。
• TensorBoard：项目支持 TensorBoardX，可用于监控训练过程（注：部分高版本 PyTorch 可能需要微调参数以兼容线性图以外的可视化）。

运行后，程序会自动创建 model 文件夹存储训练数据和模型权重。