在 PyTorch 中实现 U-Net 以进行大脑 MRI 中 FLAIR 异常分割
在 PyTorch 中实现 U-Net 算法,用于基于 深度学习 分割算法在大脑 MRI 中进行 FLAIR 结构异常分割,该算法在 低级别神经胶质瘤的基因组亚型与 深度学习 算法自动提取的形状特征的关联 中已被使用。 此仓库是对 brain-segmentation 中官方 MATLAB/Keras 实现的全 Python 端口。 已训练模型提供了权重,可用于在不同数据集上进行推理或微调。 如果您使用了本仓库共享的代码或权重,请考虑引用:
@article{buda2019association,
title={Association of genomic subtypes of lower-grade gliomas with shape features automatically extracted by a deep learning algorithm},
author={Buda, Mateusz and Saha, Ashirbani and Mazurowski, Maciej A},
journal={Computers in Biology and Medicine},
volume={109},
year={2019},
publisher={Elsevier},
doi={10.1016/j.compbiomed.2019.05.002}
}docker build -t brainseg .nvidia-docker run --rm --shm-size 8G -it -v `pwd`:/workspace brainseg正在使用 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)用于开发和评估的数据集已在 Kaggle 上公开发布: kaggle.com/mateuszbuda/lgg-mri-segmentation。 它包含来自 TCIA LGG 集合 的 MRI 图像,这些图像附带了由杜克大学的资深放射科医生批准的分割掩码。
此仓库中实现的分割模型是 U-Net,如 低级别神经胶质瘤的基因组亚型与 深度学习 算法自动提取的形状特征的关联 中所述。
暂无开放 Issues，或尚未同步最近议题。