用于脑部分割的 U-Net

基于深度学习分割算法的 PyTorch 实现的 U-Net，用于脑部 MRI 中 FLAIR 异常区域的分割。该算法曾应用于论文《低级别胶质瘤基因组亚型与深度学习算法自动提取的形状特征之间的关联》（https://doi.org/10.1016/j.compbiomed.2019.05.002）。

本仓库是对官方 MATLAB/Keras 实现的全 Python 移植版本，原项目地址为 brain-segmentation。

我们提供了训练好的模型权重，可用于推理或在其他数据集上进行微调。如果您使用了本仓库中的代码或权重，请考虑引用以下文献：

@article{buda2019association,
  title={低级别胶质瘤基因组亚型与深度学习算法自动提取的形状特征之间的关联},
  author={Buda, Mateusz 和 Saha, Ashirbani 和 Mazurowski, Maciej A},
  journal={生物医学计算},
  volume={109},
  year={2019},
  publisher={爱思唯尔},
  doi={10.1016/j.compbiomed.2019.05.002}
}

Docker

docker build -t brainseg .

nvidia-docker run --rm --shm-size 8G -it -v `pwd`:/workspace brainseg

PyTorch Hub

使用 PyTorch Hub 加载模型：pytorch.org/hub/mateuszbuda_brain-segmentation-pytorch_unet

import torch
model = torch.hub.load('mateuszbuda/brain-segmentation-pytorch', 'unet',
    in_channels=3, out_channels=1, init_features=32, pretrained=True)

数据集

用于开发和评估的数据集已在 Kaggle 上公开：kaggle.com/mateuszbuda/lgg-mri-segmentation。该数据集包含来自 TCIA LGG 收藏 的 MR 图像，并附有杜克大学认证放射科医师标注的分割掩码。

模型

本仓库实现的分割模型是 U-Net，其架构如《低级别胶质瘤基因组亚型与深度学习算法自动提取的形状特征之间的关联》所述，并增加了批归一化层。

结果

DSC 94%	DSC 91%	DSC 89%

来自三家不同机构的验证病例的定性结果，DSC 分别为 94%、91% 和 89%。绿色轮廓表示真实标签，红色则为模型预测结果。图像显示的是预处理后的 FLAIR 模态。

随机选取的 10 个验证样本的 DSC 分布。红色竖线代表平均 DSC（91%），绿色竖线代表中位数 DSC（92%）。由于模型选择基于这些验证样本的平均 DSC，因此结果可能存在偏差。

推理

1. 从 Kaggle 下载并解压数据集：kaggle.com/mateuszbuda/lgg-mri-segmentation。
2. 运行 Docker 容器。
3. 执行 inference.py 脚本，指定权重和图像的路径。针对 256x256 尺寸输入图像的训练权重已提供在 ./weights/unet.pt 文件中。更多选项及帮助可运行：python3 inference.py --help。

训练

1. 从 Kaggle 下载并解压数据集：kaggle.com/mateuszbuda/lgg-mri-segmentation。
2. 运行 Docker 容器。
3. 执行 train.py 脚本。默认图像路径为 ./kaggle_3m。更多选项及帮助可运行：python3 train.py --help。

此外，您也可以使用随数据集一同发布的 Kaggle Notebook 进行训练：kaggle.com/mateuszbuda/brain-segmentation-pytorch。由于 Kaggle Notebook 的内存限制，输入图像尺寸为 224x224，而非 256x256。

若要在自定义数据集上运行此代码，可能需要对 dataset.py 进行调整。如有需要帮助，请随时提交问题。

TensorRT 推理

如果您希望使用 TensorRT 运行时来加速模型推理，NVIDIA 官方博客有一篇相关文章可供参考：使用 TensorRT 加速深度学习推理。

brain-segmentation-pytorch 快速上手指南

本工具是基于 PyTorch 实现的 U-Net 模型，专门用于脑部 MRI 图像（FLAIR 模态）中的低级别胶质瘤异常分割。

环境准备

• 系统要求：Linux 或 macOS（Windows 用户建议使用 WSL2 或 Docker）。
• 硬件建议：推荐使用配备 NVIDIA GPU 的设备以加速推理和训练。
• 前置依赖：
  • Docker 及 NVIDIA Container Toolkit（推荐方式）
  • 或 Python 3.6+ 与 PyTorch 环境

安装步骤

方式一：使用 Docker（推荐）

这是最简便的方式，已包含所有依赖环境。

1. 构建镜像：

   docker build -t brainseg .
   

2. 运行容器（挂载当前目录并启用 GPU 支持）：

   nvidia-docker run --rm --shm-size 8G -it -v `pwd`:/workspace brainseg
   

   注：若未安装 nvidia-docker，可使用新版命令 docker run --gpus all ...。

方式二：通过 PyTorch Hub 直接加载模型

如果你只需进行推理且已配置好 PyTorch 环境，无需克隆仓库即可直接加载预训练模型。

import torch
model = torch.hub.load('mateuszbuda/brain-segmentation-pytorch', 'unet',
    in_channels=3, out_channels=1, init_features=32, pretrained=True)

基本使用

1. 数据准备

下载并解压数据集（用于测试或训练）：

• 数据来源：Kaggle - LGG MRI Segmentation
• 将解压后的数据放置在容器或工作目录中（默认路径示例为 ./kaggle_3m）。

2. 模型推理 (Inference)

使用提供的预训练权重对图像进行分割预测。预训练权重文件位于 ./weights/unet.pt（适用于 256x256 输入）。

在 Docker 容器内或配置好的 Python 环境中运行：

python3 inference.py --weights ./weights/unet.pt --images <你的图片路径>

• 查看完整参数帮助：python3 inference.py --help
• 注意：自定义数据集可能需要调整 dataset.py 中的数据加载逻辑。

3. 模型训练 (Train)

若需在自己的数据上微调或重新训练模型：

python3 train.py --data_dir ./kaggle_3m

• 默认图像路径为 ./kaggle_3m。
• 查看完整参数帮助：python3 train.py --help
• Kaggle 内核用户注意：由于内存限制，Kaggle 上的示例代码将输入图像调整为 224x224，本地训练默认支持 256x256。

4. 高性能推理 (可选)

如需使用 TensorRT 加速推理，请参考 NVIDIA 官方博客：Speeding Up Deep Learning Inference Using TensorRT 进行模型转换。