使用生成式对抗学习的3D医学图像分割很少 该存储库包含我们在同名论文中提出的模型的tensorflow和pytorch实现： 该代码在tensorflow和pytorch中都可用。 要运行该项目，请参考各个自述文件。 数据集 选择了数据集来证实我们提出的方法。 它包含10个标记的训练对象和13个未标记的测试对象的3D多模式脑MRI数据。 我们将这10个标记的训练数据分为两个模型的训练，验证和测试图像。（例如，2,1和7）13个未标记的测试图像中的其余部分仅用于训练基于GAN的模型。 数据集也用于测试我们提出的模型的鲁棒性。 它包含3种模式（T1加权，T1加权反转恢复和FLAIR）。 原始数据

PointRend PointRend的PyTorch实现PointRend: Image Segmentation as Rendering 此回购用于PascalVOC数据集上的“仅语义分割”。 许多细节与纸张的可行性检查有所不同。 复制图5。 在狗图像上显示来自不同策略的采样点。 参见 原始图 参考： 如何使用： 首先，在修复数据路径 多GPU培训请参阅Single GPU Training详细信息 ➜ python3 -m torch.distributed.launch --nproc_per_node={your_gpus} main.py -h Sinle GPU培训 ➜ python3 main.py -h usage: main.py [-h] config save PyTorch Object Detection Training positional

UNet / FCN PyTorch 该存储库包含U-Net和FCN的简单PyTorch实现，这是Ronneberger等人提出的深度学习细分方法。 和龙等。 用于训练的合成图像/遮罩 首先克隆存储库并cd到项目目录。 import matplotlib . pyplot as plt import numpy as np import helper import simulation # Generate some random images input_images , target_masks = simulation . generate_random_data ( 192 , 192 , count = 3 ) for x in [ input_images , target_masks ]: print ( x . shape ) print ( x . m

Unet-ECG细分 该网络使用Unet对ECG进行分段，以识别给定ECG的P，QRS，T分量。 具有长短期记忆神经网络的心电图（ECG）的注释（或分段）。 在这里，我尝试对Unet架构的ECG进行分段，使用[PyTorchWavelets]的编辑版本将来自QTDB数据集的ECG转换为小波域（ ）。 我首先提供ECG和标签作为应用小波变换的输入，然后存储相应的比例以及小波的实部和虚部。 在开始时，我努力使用标准的1d Conv和1d ConvTranspose使输入和输出匹配，我使用WFDB软件包将P段标记为1 QRS标记为2，将T段标记为3。 它在physionet的QT数据库上似乎运行良好，但是标记的方式存在一些问题。 我必须寻找其他数据集才能尝试。 模型 入门 使用wget -r -l1 --no-parent 将QTDB ECG数据集下载到qtdb目录 运行QTDB_Wavel

颜色熵matlab代码Color_Image_Segmentation 使用几种最新的聚类算法对彩色图像进行分割，包括模糊c均值聚类（FCM），模糊子空间聚类（FSC），最大熵聚类（MEC）和高斯混合模型（GMM）。 Matlab代码。 FCM，FSC和MEC已在中引入。 GMM已在中引入。 为了获得更好的分割结果，可以适当调整超参数。 彩色图像拼合的示例 行图像： 运行demo_color_segmentation.m 细分结果： 流式细胞仪 FSC 机电公司 GMM 代码作者 王荣荣（kailugaji） 2020/7/5

Kaggle Carvana图像遮罩挑战 中第一的解决方案的代码。 我们使用了CNN在图像中对汽车进行了细分。 为了获得最佳结果，我们使用多个不同的网络网络（Linknet，具有自定义编码器的类似Unet的CNN，具有VGG11编码器的多种类型的类似于Unet的CNN）。 我们的队伍： Artsiom Sanakoyeu（ ） 亚历山大·布斯拉耶夫（ ） 弗拉基米尔·伊格洛维科夫（ ） 博客文章解释了解决方案： ://medium.com/kaggle-blog/carvana-image-masking-challenge-1st-place-winners-interview-78fcc5c887a8 要求 要训​​练最终模型，您将需要满足以下条件： 操作系统：Ubuntu 16.04 所需的硬件： 任何具有x86-64 CPU的体面的现代计算机， 32

存储库。 注意：如果您有兴趣使用它，请随时 :star: 回购，所以我们知道！ 当前功能 配置文件 训练图 明智的输入 自述文件的更新 推理文件 定量结果 结果可视化 训练文件 目录结构 重量随模型节省 传奇 解决 工作进行中 数据集 通过仔细注释几名患有不同器官肿瘤并在多家医院被诊断出的患者的组织图像，获得了针对这一挑战的数据集。 通过从TCGA存档下载以40倍放大倍率捕获的H＆E染色的组织图像来创建此数据集。 H＆E染色是提高组织切片对比度的常规方法，通常用于肿瘤评估（分级，分期等）。 考虑到跨多个器官和患者的核外观的多样性，以及在多家医院采用的染色方案的丰富性，训练数据集将使开发健壮且可通用的核分割技术成为可能。 训练数据 包含30张图像和约22,000个核边界注释的训练数据已作为2017年IEEE Transactions on Medical Imaging上的

基于马尔科夫随机场的图像分割代码，程序完整，运行正确

matlab，实现图像分割

具有交叉一致性训练 (CCT) 的半监督语义分割 , 本 repo 包含 CVPR 2020 论文的官方实现：Semi-Supervised Semantic Segmentation with Cross-Consistecy Training，它采用了传统的半监督学习的一致性训练框架进行语义分割，扩展到弱监督学习和在多个域。 强调 (1) 语义分割的一致性训练。 我们观察到，对于语义分割，由于任务的密集性，集群假设更容易在隐藏表示而不是输入上强制执行。 (2) 交叉培训。 我们为半监督语义分割提出了 CCT（Cross-Consistency Training），我们在其中定义了许多新的扰动，并展示了对编码器输出而不是输入执行一致性的有效性。 (3) 使用来自多个域的弱标签和像素级标签。 所提出的方法非常简单灵活，并且可以很容易地扩展到使用来自多个域的图像级标签和像素级标签。 要求