Kaggle 超声神经分割竞赛深度学习教程，使用 Keras

本教程演示如何使用 Keras 库 构建用于超声图像神经分割的深度神经网络。 有关此 Kaggle 竞赛的更多信息，请访问 https://www.kaggle.com/c/ultrasound-nerve-segmentation。

该深度神经网络基于测试图像在排行榜上取得了 约 0.57 的分数， 可以作为进一步更深入研究的良好起点。

该网络架构受到 U-Net：用于生物医学图像分割的卷积网络 的启发。

---

更新：2017年4月2日。

变更：

• 使用 Keras 2
• 使用 TensorFlow 后端代替 Theano
• 使用 scikit-image 代替 cv2
• 添加了将预测图像保存到磁盘的代码
• 训练数据现在被划分为训练集和验证集（80%/20%）

---

概述

数据

提供的数据 由 data.py 脚本处理。 该脚本仅加载图像，并将其保存为 NumPy 二进制格式文件 .npy，以便后续更快地加载。

预处理

图像未进行任何预处理，除了将其调整为 96 x 96 像素大小。由于图像噪声较大， 我预计经过一些精心设计的预处理可能会提高模型性能。

输出图像（掩码）被缩放到 [0, 1] 区间。

模型

提供的模型基本上是一个卷积自编码器，但有一个特别之处——它具有从编码器层到解码器层的跳跃连接，这些层处于相同的“级别”。 请参见下图（请注意，本教程中的图像尺寸和卷积滤波器数量与原始 U-Net 架构有所不同）。

该深度神经网络使用 Keras 的函数式 API 实现，这使得尝试不同的有趣架构变得极其容易。

网络的输出是一个 96 x 96 的张量，表示需要学习的掩码。Sigmoid 激活函数确保掩码像素值位于 [0, 1] 范围内。

训练

模型训练了 20 个 epoch，每个 epoch 在 Titan X 上大约耗时 30 秒。模型的内存占用约为 800MB。

经过 20 个 epoch 后，计算出的 Dice 系数约为 0.68，这对应于排行榜上的约 0.57 分，因此显然该模型存在过拟合现象（欢迎提交交叉验证的 Pull Request；））。

训练使用的损失函数基本上就是 Dice 系数的负值 （该系数是本次竞赛的 评估指标）， 并通过 Keras 后端实现为自定义损失函数——详细信息请参阅 train.py 中的 dice_coef() 和 dice_coef_loss() 函数。 此外，为了使损失函数更加平滑，还添加了一个 smooth = 1 的平滑因子。

权重更新采用 Adam 优化器，学习率为 1e-5。在训练过程中，模型的权重会以 HDF5 格式保存。

---

使用方法

依赖项

本教程依赖以下库：

• scikit-image
• Tensorflow
• Keras >= 2.0

此外，该代码应兼容 Python 2.7 至 3.5 版本。

准备数据

为了提取原始图像并将其保存为 .npy 文件， 您需要先准备好数据目录结构。请确保项目根目录下存在 raw 目录。 raw 目录的树状结构应如下所示：

-raw
 |
 ---- train
 |    |
 |    ---- 1_1.tif
 |    |
 |    ---- …
 |
 ---- test
      |
      ---- 1.tif
      |
      ---- …

• 现在运行 python data.py。

运行此脚本将生成训练和测试图像，并将其保存为 .npy 文件。

定义模型

• 查看 train.py 中的 get_unet() 函数，以修改模型、优化器和损失函数。

训练模型并生成测试图像的掩码

• 运行 python train.py 来训练模型。

查看 train_predict() 函数，以调整迭代次数（epoch）、批量大小等参数。

脚本执行完毕后，应在 imgs_mask_test.npy 中生成与 imgs_test.npy 中对应图像的掩码。 建议您检查这些掩码，以便更好地了解模型的性能。

生成提交文件

• 运行 python submission.py 以根据生成的掩码创建提交文件 submission.csv。

详细信息请参阅 submission() 函数以及 run_length_enc() 函数（感谢 woshialex）。

关于 Keras

Keras 是一个极简、高度模块化的神经网络库，用 Python 编写，可在 TensorFlow 或 Theano 之上运行。它专注于支持快速实验。能够在最短的时间内将想法转化为结果，是开展优秀研究的关键。

如果您需要一个深度学习库，满足以下条件，那么就使用 Keras：

• 支持简单快速的原型开发（通过完全模块化、极简性和可扩展性）。
• 支持卷积网络和循环网络，以及两者的组合。
• 支持任意连接方案（包括多输入和多输出训练）。
• 可无缝运行在 CPU 和 GPU 上。 请阅读文档 Keras.io

Keras 兼容 Python 2.7 至 3.5 版本。

ultrasound-nerve-segmentation 快速上手指南

环境准备

• 系统要求：Python 2.7–3.5（建议使用 Python 3.6+ 以获得更好兼容性）
• 前置依赖：
  • scikit-image
  • TensorFlow
  • Keras ≥ 2.0

安装步骤

pip install -i https://pypi.tuna.tsinghua.edu.cn/simple scikit-image tensorflow keras

基本使用

1. 数据准备
   在项目根目录创建 raw 目录，结构如下：

   raw/
   ├── train/
   │   ├── 1_1.tif
   │   └── ...（其他训练图像）
   └── test/
       ├── 1.tif
       └── ...（其他测试图像）
   

2. 处理数据
   将原始图像转换为 NumPy 格式：

   python data.py
   

3. 训练模型
   运行训练脚本（默认训练 20 轮）：

   python train.py
   

   训练完成后，生成 imgs_mask_test.npy（测试图像的分割掩码）。

4. 生成提交文件
   生成 Kaggle 提交文件：

   python submission.py
   

   输出 submission.csv 可直接用于竞赛提交。