U-Net 脑肿瘤分割

🚀：2019年2月本仓库的数据处理实现并非最快方式（代码需要更新，欢迎贡献），你可以使用 TensorFlow 数据集 API 代替。

本仓库展示如何训练一个 U-Net 进行脑肿瘤分割。默认情况下，你需要下载 BRATS 2017 数据集的训练集，该数据集包含210个高级胶质瘤（HGG）和75个低级别胶质瘤（LGG）体积，并将数据文件夹与所有脚本一同放置。

data
  -- Brats17TrainingData
  -- train_dev_all
model.py
train.py
...

关于数据

请注意根据许可协议，用户需要向BRAST申请数据集，请不要联系我获取数据集。非常感谢。

• 每个体积包含4张扫描图像：FLAIR、T1、T1c和T2。
• 每个体积包含4个分割标签：

标签0：背景
标签1：坏死和非增强肿瘤
标签2：水肿
标签4：增强肿瘤

prepare_data_with_valid.py 会将训练集分为2个折叠用于训练和验证。默认情况下，它仅使用数据的一半以加快训练速度，如果你希望使用全部数据，只需将 DATA_SIZE = 'half' 改为 all。

关于方法

• 网络和损失：在本实验中，我们使用 Dice损失 训练网络，一个网络仅预测一个标签（标签1、2或4）。我们通过 硬Dice 和 IOU 评估性能。

• 数据增强：包括随机左右翻转、旋转、位移、剪切、缩放和最重要的 弹性变换，详见论文 "Automatic Brain Tumor Detection and Segmentation Using U-Net Based Fully Convolutional Networks"。

开始训练

我们同时训练HGG和LGG，因为一个网络只有一个任务，设置 task 为 all、necrotic、edema 或 enhance，"all" 表示学习分割所有肿瘤。

python train.py --task=all

请注意，如果损失值一开始卡在1，说明网络未收敛到接近完美的准确率，请尝试重新启动训练。

引用

如果发现该项目有用，我们很感激你引用TensorLayer论文：

@article{tensorlayer2017,
author = {Dong, Hao and Supratak, Akara and Mai, Luo and Liu, Fangde and Oehmichen, Axel and Yu, Simiao and Guo, Yike},
journal = {ACM Multimedia},
title = {{TensorLayer: A Versatile Library for Efficient Deep Learning Development}},
url = {http://tensorlayer.org},
year = {2017}
}

U-Net 脑肿瘤分割快速上手指南

环境准备

• 系统要求：Python 3.6+
• 前置依赖：

  pip install tensorflow tensorlayer
  

  推荐使用国内镜像源加速安装：

  pip install tensorflow tensorlayer -i https://pypi.tuna.tsinghua.edu.cn/simple
  

安装步骤

1. 下载数据集：

   • 从 BRATS 2017 官网申请数据（需注册）
   • 数据结构要求：

     data/
       -- Brats17TrainingData
       -- train_dev_all
     model.py
     train.py
     

2. 安装依赖：

   pip install tensorflow tensorlayer -i https://pypi.tuna.tsinghua.edu.cn/simple
   

基本使用

1. 训练流程：

   python train.py --task=all
   

   • task 参数可选值：all（分割所有肿瘤）、necrotic（分割坏死区）、edema（分割水肿区）、enhance（分割增强区）

2. 数据增强说明：

   • 包含随机翻转、旋转、位移、剪切、缩放等操作
   • 重点使用弹性变换（Elastic transformation）增强数据多样性

3. 训练提示：

   • 若损失值初始卡在1，可能需要重新启动训练
   • 数据集默认使用训练集一半数据加速训练，可通过修改DATA_SIZE = 'half'为all使用全部数据